基于opencv的手写数字识别（MFC,HOG,SVM）

训练模型

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

#include <iostream>

#include <opencv2/opencv.hpp>

#include <fstream>

using namespace std;

using namespace cv;

int main()

{

    vector<string> img_path;//输入文件名变量

    vector<int> img_catg;

    int nLine = 0;

    string buf;

    ifstream svm_data( "D:/project/HOG/t10k-images-bmp/t10k-images/result.txt" );//训练样本图片的路径都写在这个txt文件中，使用bat批处理文件可以得到这个txt文件

    unsigned long n;

    while( svm_data )//将训练样本文件依次读取进来

    {

        if( getline( svm_data, buf ) )

        {

            nLine ++;

            if( nLine % 2 == 0 )//注：奇数行是图片全路径，偶数行是标签

            {

                img_catg.push_back( atoi( buf.c_str() ) );//atoi将字符串转换成整型，标志(0,1，2，...，9)，注意这里至少要有两个类别，否则会出错

            }

            else

            {

                img_path.push_back( buf );//图像路径

            }

        }

    }

    svm_data.close();//关闭文件

    CvMat *data_mat, *res_mat;

    int nImgNum = nLine / 2; //nImgNum是样本数量，只有文本行数的一半，另一半是标签

    data_mat = cvCreateMat( nImgNum, 324, CV_32FC1 );  //第二个参数，即矩阵的列是由下面的descriptors的大小决定的，可以由descriptors.size()得到，且对于不同大小的输入训练图片，这个值是不同的

    cvSetZero( data_mat );

    //类型矩阵,存储每个样本的类型标志

    res_mat = cvCreateMat( nImgNum, 1, CV_32FC1 );

    cvSetZero( res_mat );

    IplImage* src;

    IplImage* trainImg=cvCreateImage(cvSize(28,28),8,3);//需要分析的图片，这里默认设定图片是28*28大小，所以上面定义了324，如果要更改图片大小，可以先用debug查看一下descriptors是多少，然后设定好再运行

    //处理HOG特征

    for( string::size_type i = 0; i != img_path.size(); i++ )

    {

        src=cvLoadImage(img_path[i].c_str(),1);

        if( src == NULL )

        {

            cout<<" can not load the image: "<<img_path[i].c_str()<<endl;

            continue;

        }

        cout<<"deal with\t"<<img_path[i].c_str()<<endl;

        cvResize(src,trainImg);

        HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);

        vector<float>descriptors;//存放结果

        hog->compute(trainImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算

        cout<<"HOG dims: "<<descriptors.size()<<endl;

        n=0;

        for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)

        {

            cvmSet(data_mat,i,n,*iter);//存储HOG特征

            n++;

        }

        cvmSet( res_mat, i, 0, img_catg[i] );

        cout<<"Done !!!: "<<img_path[i].c_str()<<" "<<img_catg[i]<<endl;

    }

    CvSVM svm;//新建一个SVM

    CvSVMParams param;//这里是SVM训练相关参数

    CvTermCriteria criteria;

    criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );

    param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );

    svm.train( data_mat, res_mat, NULL, NULL, param );//训练数据

    //保存训练好的分类器

    svm.save( "HOG_SVM_DATA.xml" );

    cout<<"HOG_SVM_DATA.xml is saved !!! \n exit program"<<endl;

    cvReleaseMat( &data_mat );

    cvReleaseMat( &res_mat );

    cvReleaseImage(&trainImg);

    return 0;

}

1

D:/project/HOG/t10k-images-bmp/t10k-images/result.txt  的生成方法<br>使用createpath.py脚本

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

import os, sys

def get_filepaths(directory):

    file_paths = []  # List which will store all of the full filepaths.

    for root, directories, files in os.walk(directory):

        for filename in files:

            # Join the two strings in order to form the full filepath.

            filepath = os.path.join(root, filename)

            file_paths.append(filepath)  # Add it to the list.

    return file_paths  # Self-explanatory.

lists = get_filepaths(os.path.dirname(os.path.abspath(__file__)))

with open('result.txt', 'a') as f:

    for url in lists:       

        if (os.path.basename(url).startswith('0_')):

            f.write(url)

            f.write('\n')

            f.write('0\n')

        if (os.path.basename(url).startswith('1_')):

            f.write(url)

            f.write('\n')

            f.write('1\n')

        if (os.path.basename(url).startswith('2_')):

            f.write(url)

            f.write('\n')

            f.write('2\n')

        if (os.path.basename(url).startswith('3_')):

            f.write(url)

            f.write('\n')

            f.write('3\n')

        if (os.path.basename(url).startswith('4_')):

            f.write(url)

            f.write('\n')

            f.write('4\n')

        if (os.path.basename(url).startswith('5_')):

            f.write(url)

            f.write('\n')

            f.write('5\n')

        if (os.path.basename(url).startswith('6_')):

            f.write(url)

            f.write('\n')

            f.write('6\n')

        if (os.path.basename(url).startswith('7_')):

            f.write(url)

            f.write('\n')

            f.write('7\n')

        if (os.path.basename(url).startswith('8_')):

            f.write(url)

            f.write('\n')

            f.write('8\n')

        if (os.path.basename(url).startswith('9_')):

            f.write(url)

            f.write('\n')

            f.write('9\n')

1

生成result.txt

1

使用模型

#include <iostream>#include <opencv2/opencv.hpp>using namespace std;using namespace cv;int main(){    IplImage *test;    char result[300]; //存放预测结果    CvSVM svm;    svm.load("d:\\HOG_SVM_DATA.xml");//加载训练好的xml文件，这里训练的是10K个手写数字    //检测样本    test = cvLoadImage("d:\\test.bmp", 1); //待预测图片，用系统自带的画图工具随便手写    if (!test)    {        cout<<"not exist"<<endl;        return -1;    }    cout<<"load image done"<<endl;    IplImage* trainTempImg=cvCreateImage(cvSize(28,28),8,3);    cvZero(trainTempImg);    cvResize(test,trainTempImg);    HOGDescriptor *hog=new HOGDescriptor(cvSize(28,28),cvSize(14,14),cvSize(7,7),cvSize(7,7),9);    vector<float>descriptors;//存放结果    hog->compute(trainTempImg, descriptors,Size(1,1), Size(0,0)); //Hog特征计算    cout<<"HOG dims: "<<descriptors.size()<<endl;  //打印Hog特征维数  ，这里是324    CvMat* SVMtrainMat=cvCreateMat(1,descriptors.size(),CV_32FC1);    int n=0;    for(vector<float>::iterator iter=descriptors.begin();iter!=descriptors.end();iter++)    {        cvmSet(SVMtrainMat,0,n,*iter);        n++;    }    int ret = svm.predict(SVMtrainMat);//检测结果    sprintf(result, "%d\r\n",ret );    cvNamedWindow("dst",1);    cvShowImage("dst",test);    cout<<"result:"<<result<<endl;    waitKey ();    cvReleaseImage(&test);    cvReleaseImage(&trainTempImg);    return 0;}

 

工程源码(MFC)：

http://pan.baidu.com/s/1rDQbO

程序下载（裸机可运行，无需环境）：

http://pan.baidu.com/s/1byQeX

QT控制台版本（包含手写数据库，训练模型，使用模型）

http://pan.baidu.com/s/1pJ45bwZ