基于K—近邻的车牌号识别小实验

前言 

       最近学习了K-近邻算法，而K-近邻算法非常实用于图形图像的分类问题，因此使用了sklearn中内置的的KNeighborsClassifier类完成了一个车牌号识别的小项目，记录一下遇到的问题以及收获。

算法思想

        KNN（K- Nearest Neighbor）法即K最邻近法，最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。K-近邻算法是指在一个样本空间中，寻找到距离最近的k个邻居，按照这些邻居的样本属性来划分当前样本属性，思路十分简单，其中也有许多优化的策略如使用KdTree、ballTree等数据结构来减少算法运行的时间，而KNeighborsClassifier类中的内置方法已经预先封装好了这些数据结构，可以直接使用，非常方便。

数据分析以及预处理

      这次实验用到的数据是如下图所示的一个个图像文件，首先要将其读取出来，并抽象为numpy矩阵。

 

#读取图片label函数
def readFileIndex(filepath):
    lables = dict()
    filetype = '.jpg'
    for i in range(0,65):#因为有0-64个类别
        str1 = str(i)
        filepath1 = os.path.join(filepath,str1)#读取文件夹
        for root,dirs,files in os.walk(filepath1):
            for j in files:
                if filetype+' 'in j+' ':
                    str1 = str(i)+'/'+j
                    lables[str1] = i
    return lables

 labels字典中存储了的是文件名和文件所属类别一一对应的关系集合

#读取所有图片函数，返回两个列表
def readFileContent(lables,flag):
    X = []
    Y = []
    for lableName in lables:#取出每一个路径进行读取
        filename = lableName
        if(flag == 1):#判断是训练集文件夹还是测试集文件夹
            pict = readPict(filename)
        else:
            pict = readPict('./'+filename)
        X.append(pict)
        Y.append(lables[filename])
    return X,Y

#图片文件读取函数，返回一个一维的数组
def readPict(path):
    returanVec=np.zeros(400)
    img = Image.open(path)
    pixel = np.array(img)#此时为二维矩阵，将其转为一维，方便运行算法拟合
    for i in range(20):
        for j in range(20):
            returanVec[i*20+j]=pixel[i][j]
    return returanVec

        此时要返回一个一维数组，使X的维度控制为2，因为已知图像的像素点为20*20，所以用一个简单的转换函数将其转为一维。

算法模型构建

from sklearn.neighbors import KNeighborsClassifier

neigh = KNeighborsClassifier(weights = 'distance')
neigh.fit(X_train,Y_train)
print(neigh.score(X_test,Y_test))

0.7016077170418007

      此时利用sklearn中的KNN算法进行拟合，关键字weights是指利用距离和权重成反比的计算方式，可以去除一定的误判情况。 

最后，附上K在5-10内（默认为5）的准确率走向图

下面是K在5-70内准确率走向图