利用Hog 特征进行手写字符识别

最新推荐文章于 2020-12-04 18:23:54 发布

飞鱼的菜

最新推荐文章于 2020-12-04 18:23:54 发布

阅读量3.1k

点赞数 2

文章标签：模式识别图像处理 opencv Hog特征

本文链接：https://blog.csdn.net/u014643160/article/details/52404135

版权

本文介绍了作者通过使用HOG特征对手写字符进行识别，从而提高识别准确率的过程。基于Mnist库的60000张训练集和10000张测试集，原先使用8x8像素的图像特征值进行SVM学习，得到的正确率为97.67%。之后采用OpenCV的SVM模块结合HOG特征进行学习，经过长时间运行后，测试集上的正确率提升到98.67%。

摘要由CSDN通过智能技术生成

这是本人的第一篇CSDN文章，纪念一下~

之前想要学习模式识别，因此就从最简单的手写字符识别入手。具体来说就是基于Mnist 库的手写数字识别，此库有60000张训练集以及10000张测试集。之前在网上看过相关代码，是将需要识别的图像归一化为8*8像素的图像，然后将8*8=64个像素点排开作为特征值进行学习。在此处利用的是opencv 的svm模块进行的学习，学习出来的正确率为97.67%。阅读代码后觉得选取特征太过简单，因此利用Hog 特征重新svm学习了一遍。学习时间大概从从前一天晚上开始，第二天早上去看的时候就已经结束了。电脑配置为i3 3.5G，内存8G。重新学习一遍之后，对于10000测试集进行测试之后，正确率提高了1%，到了98.67%，也算有所进步吧。Hog特征详细内容参考一下文章http://blog.csdn.net/zouxy09/article/details/7929348。利用Hog特征学习函数如下所示：

int HogReadTrainData(int maxCount)
{
 //Open image and label file
 const char fileName[] = "C:\\Users\\Desktop\\ocr\\train-images-idx3-ubyte\\train-images.idx3-ubyte";
 const char labelFileName[] = "C:\\Users\\Desktop\\ocr\\train-labels-idx1-ubyte\\train-labels.idx1-ubyte";

 ifstream lab_ifs(labelFileName, ios_base::binary);
 ifstream ifs(fileName, ios_base::binary);

 if( ifs.fail()