使用OPENCV训练手写数字识别分类器

来源：互联网发布：xbrower连接linux桌面编辑：程序博客网时间：2024/05/18 03:57
【原文：http://blog.csdn.net/firefight/article/details/6452188】
使用OpenCV训练手写数字识别分类器
1，下载训练数据和测试数据文件，这里用的是MNIST手写数字图片库，其中训练数据库中为60000个，测试数据库中为10000个
2，创建训练数据和测试数据文件读取函数，注意字节顺序为大端
3，确定字符特征方式为最简单的8×8网格内的字符点数
4，创建SVM，训练并读取，结果如下
1000个训练样本，测试数据正确率80.21%（并没有体现SVM小样本高准确率的特性啊）
10000个训练样本，测试数据正确率95.45%
60000个训练样本，测试数据正确率97.67%
5，编写手写输入的GUI程序，并进行验证，效果还可以接受。
以下为主要代码，以供参考
（类似的也实现了随机树分类器，比较发现在相同的样本数情况下，SVM准确率略高）
[cpp] view plaincopy
#include "stdafx.h"  
  
#include <fstream>  
#include "opencv2/opencv.hpp"  
#include <vector>  
  
using namespace std;  
using namespace cv;  
  
#define SHOW_PROCESS 0  
#define ON_STUDY 0  
  
class NumTrainData  
{  
public:  
    NumTrainData()  
    {  
        memset(data, 0, sizeof(data));  
        result = -1;  
    }  
public:  
    float data[64];  
    int result;  
};  
  
vector<NumTrainData> buffer;  
int featureLen = 64;  
  
void swapBuffer(char* buf)  
{  
    char temp;  
    temp = *(buf);  
    *buf = *(buf+3);  
    *(buf+3) = temp;  
  
    temp = *(buf+1);  
    *(buf+1) = *(buf+2);  
    *(buf+2) = temp;  
}  
  
void GetROI(Mat& src, Mat& dst)  
{  
    int left, right, top, bottom;  
    left = src.cols;  
    right = 0;  
    top = src.rows;  
    bottom = 0;  
  
    //Get valid area  
    for(int i=0; i<src.rows; i++)  
    {  
        for(int j=0; j<src.cols; j++)  
        {  
            if(src.at<uchar>(i, j) > 0)  
            {  
                if(j<left) left = j;  
                if(j>right) right = j;  
                if(i<top) top = i;  
                if(i>bottom) bottom = i;  
            }  
        }  
    }  
  
    //Point center;  
    //center.x = (left + right) / 2;  
    //center.y = (top + bottom) / 2;  
  
    int width = right - left;  
    int height = bottom - top;  
    int len = (width < height) ? height : width;  
  
    //Create a squre  
    dst = Mat::zeros(len, len, CV_8UC1);  
  
    //Copy valid data to squre center  
    Rect dstRect((len - width)/2, (len - height)/2, width, height);  
    Rect srcRect(left, top, width, height);  
    Mat dstROI = dst(dstRect);  
    Mat srcROI = src(srcRect);  
    srcROI.copyTo(dstROI);  
}  
  
int ReadTrainData(int maxCount)  
{  
    //Open image and label file  
    const char fileName[] = "../res/train-images.idx3-ubyte";  
    const char labelFileName[] = "../res/train-labels.idx1-ubyte";  
  
    ifstream lab_ifs(labelFileName, ios_base::binary);  
    ifstream ifs(fileName, ios_base::binary);  
  
    if( ifs.fail() == true )  
        return -1;  
  
    if( lab_ifs.fail() == true )  
        return -1;  
  
    //Read train data number and image rows / cols  
    char magicNum[4], ccount[4], crows[4], ccols[4];  
    ifs.read(magicNum, sizeof(magicNum));  
    ifs.read(ccount, sizeof(ccount));  
    ifs.read(crows, sizeof(crows));  
    ifs.read(ccols, sizeof(ccols));  
  
    int count, rows, cols;  
    swapBuffer(ccount);  
    swapBuffer(crows);  
    swapBuffer(ccols);  
  
    memcpy(&count, ccount, sizeof(count));  
    memcpy(&rows, crows, sizeof(rows));  
    memcpy(&cols, ccols, sizeof(cols));  
  
    //Just skip label header  
    lab_ifs.read(magicNum, sizeof(magicNum));  
    lab_ifs.read(ccount, sizeof(ccount));  
  
    //Create source and show image matrix  
    Mat src = Mat::zeros(rows, cols, CV_8UC1);  
    Mat temp = Mat::zeros(8, 8, CV_8UC1);  
    Mat img, dst;  
  
    char label = 0;  
    Scalar templateColor(255, 0, 255 );  
  
    NumTrainData rtd;  
  
    //int loop = 1000;  
    int total = 0;  
  
    while(!ifs.eof())  
    {  
        if(total >= count)  
            break;  
          
        total++;  
        cout << total << endl;  
          
        //Read label  
        lab_ifs.read(&label, 1);  
        label = label + '0';  
  
        //Read source data  
        ifs.read((char*)src.data, rows * cols);  
        GetROI(src, dst);  
  
#if(SHOW_PROCESS)  
        //Too small to watch  
        img = Mat::zeros(dst.rows*10, dst.cols*10, CV_8UC1);  
        resize(dst, img, img.size());  
  
        stringstream ss;  
        ss << "Number " << label;  
        string text = ss.str();  
        putText(img, text, Point(10, 50), FONT_HERSHEY_SIMPLEX, 1.0, templateColor);  
  
        //imshow("img", img);  
#endif  
  
        rtd.result = label;  
        resize(dst, temp, temp.size());  
        //threshold(temp, temp, 10, 1, CV_THRESH_BINARY);  
  
        for(int i = 0; i<8; i++)  
        {  
            for(int j = 0; j<8; j++)  
            {  
                    rtd.data[ i*8 + j] = temp.at<uchar>(i, j);  
            }  
        }  
  
        buffer.push_back(rtd);  
  
        //if(waitKey(0)==27) //ESC to quit  
        //  break;  
  
        maxCount--;  
          
        if(maxCount == 0)  
            break;  
    }  
  
    ifs.close();  
    lab_ifs.close();  
  
    return 0;  
}  
  
void newRtStudy(vector<NumTrainData>& trainData)  
{  
    int testCount = trainData.size();  
  
    Mat data = Mat::zeros(testCount, featureLen, CV_32FC1);  
    Mat res = Mat::zeros(testCount, 1, CV_32SC1);  
  
    for (int i= 0; i< testCount; i++)   
    {   
  
        NumTrainData td = trainData.at(i);  
        memcpy(data.data + i*featureLen*sizeof(float), td.data, featureLen*sizeof(float));  
  
        res.at<unsigned int>(i, 0) = td.result;  
    }  
  
    /////////////START RT TRAINNING//////////////////  
    CvRTrees forest;  
    CvMat* var_importance = 0;  
  
    forest.train( data, CV_ROW_SAMPLE, res, Mat(), Mat(), Mat(), Mat(),  
            CvRTParams(10,10,0,false,15,0,true,4,100,0.01f,CV_TERMCRIT_ITER));  
    forest.save( "new_rtrees.xml" );  
}  
  
  
int newRtPredict()  
{  
    CvRTrees forest;  
    forest.load( "new_rtrees.xml" );  
  
    const char fileName[] = "../res/t10k-images.idx3-ubyte";  
    const char labelFileName[] = "../res/t10k-labels.idx1-ubyte";  
  
    ifstream lab_ifs(labelFileName, ios_base::binary);  
    ifstream ifs(fileName, ios_base::binary);  
  
    if( ifs.fail() == true )  
        return -1;  
  
    if( lab_ifs.fail() == true )  
        return -1;  
  
    char magicNum[4], ccount[4], crows[4], ccols[4];  
    ifs.read(magicNum, sizeof(magicNum));  
    ifs.read(ccount, sizeof(ccount));  
    ifs.read(crows, sizeof(crows));  
    ifs.read(ccols, sizeof(ccols));  
  
    int count, rows, cols;  
    swapBuffer(ccount);  
    swapBuffer(crows);  
    swapBuffer(ccols);  
  
    memcpy(&count, ccount, sizeof(count));  
    memcpy(&rows, crows, sizeof(rows));  
    memcpy(&cols, ccols, sizeof(cols));  
  
    Mat src = Mat::zeros(rows, cols, CV_8UC1);  
    Mat temp = Mat::zeros(8, 8, CV_8UC1);  
    Mat m = Mat::zeros(1, featureLen, CV_32FC1);  
    Mat img, dst;  
  
    //Just skip label header  
    lab_ifs.read(magicNum, sizeof(magicNum));  
    lab_ifs.read(ccount, sizeof(ccount));  
  
    char label = 0;  
    Scalar templateColor(255, 0, 0);  
  
    NumTrainData rtd;  
  
    int right = 0, error = 0, total = 0;  
    int right_1 = 0, error_1 = 0, right_2 = 0, error_2 = 0;  
    while(ifs.good())  
    {  
        //Read label  
        lab_ifs.read(&label, 1);  
        label = label + '0';  
  
        //Read data  
        ifs.read((char*)src.data, rows * cols);  
        GetROI(src, dst);  
  
        //Too small to watch  
        img = Mat::zeros(dst.rows*30, dst.cols*30, CV_8UC3);  
        resize(dst, img, img.size());  
  
        rtd.result = label;  
        resize(dst, temp, temp.size());  
        //threshold(temp, temp, 10, 1, CV_THRESH_BINARY);  
        for(int i = 0; i<8; i++)  
        {  
            for(int j = 0; j<8; j++)  
            {  
                    m.at<float>(0,j + i*8) = temp.at<uchar>(i, j);  
            }  
        }  
  
        if(total >= count)  
            break;  
  
        char ret = (char)forest.predict(m);   
  
        if(ret == label)  
        {  
            right++;  
            if(total <= 5000)  
                right_1++;  
            else  
                right_2++;  
        }  
        else  
        {  
            error++;  
            if(total <= 5000)  
                error_1++;  
            else  
                error_2++;  
        }  
  
        total++;  
  
#if(SHOW_PROCESS)  
        stringstream ss;  
        ss << "Number " << label << ", predict " << ret;  
        string text = ss.str();  
        putText(img, text, Point(10, 50), FONT_HERSHEY_SIMPLEX, 1.0, templateColor);  
  
        imshow("img", img);  
        if(waitKey(0)==27) //ESC to quit  
            break;  
#endif  
  
    }  
  
    ifs.close();  
    lab_ifs.close();  
  
    stringstream ss;  
    ss << "Total " << total << ", right " << right <<", error " << error;  
    string text = ss.str();  
    putText(img, text, Point(50, 50), FONT_HERSHEY_SIMPLEX, 1.0, templateColor);  
    imshow("img", img);  
    waitKey(0);  
  
    return 0;  
}  
  
void newSvmStudy(vector<NumTrainData>& trainData)  
{  
    int testCount = trainData.size();  
  
    Mat m = Mat::zeros(1, featureLen, CV_32FC1);  
    Mat data = Mat::zeros(testCount, featureLen, CV_32FC1);  
    Mat res = Mat::zeros(testCount, 1, CV_32SC1);  
  
    for (int i= 0; i< testCount; i++)   
    {   
  
        NumTrainData td = trainData.at(i);  
        memcpy(m.data, td.data, featureLen*sizeof(float));  
        normalize(m, m);  
        memcpy(data.data + i*featureLen*sizeof(float), m.data, featureLen*sizeof(float));  
  
        res.at<unsigned int>(i, 0) = td.result;  
    }  
  
    /////////////START SVM TRAINNING//////////////////  
    CvSVM svm = CvSVM();   
    CvSVMParams param;   
    CvTermCriteria criteria;  
  
    criteria= cvTermCriteria(CV_TERMCRIT_EPS, 1000, FLT_EPSILON);   
    param= CvSVMParams(CvSVM::C_SVC, CvSVM::RBF, 10.0, 8.0, 1.0, 10.0, 0.5, 0.1, NULL, criteria);   
  
    svm.train(data, res, Mat(), Mat(), param);  
    svm.save( "SVM_DATA.xml" );  
}  
  
  
int newSvmPredict()  
{  
    CvSVM svm = CvSVM();   
    svm.load( "SVM_DATA.xml" );  
  
    const char fileName[] = "../res/t10k-images.idx3-ubyte";  
    const char labelFileName[] = "../res/t10k-labels.idx1-ubyte";  
  
    ifstream lab_ifs(labelFileName, ios_base::binary);  
    ifstream ifs(fileName, ios_base::binary);  
  
    if( ifs.fail() == true )  
        return -1;  
  
    if( lab_ifs.fail() == true )  
        return -1;  
  
    char magicNum[4], ccount[4], crows[4], ccols[4];  
    ifs.read(magicNum, sizeof(magicNum));  
    ifs.read(ccount, sizeof(ccount));  
    ifs.read(crows, sizeof(crows));  
    ifs.read(ccols, sizeof(ccols));  
  
    int count, rows, cols;  
    swapBuffer(ccount);  
    swapBuffer(crows);  
    swapBuffer(ccols);  
  
    memcpy(&count, ccount, sizeof(count));  
    memcpy(&rows, crows, sizeof(rows));  
    memcpy(&cols, ccols, sizeof(cols));  
  
    Mat src = Mat::zeros(rows, cols, CV_8UC1);  
    Mat temp = Mat::zeros(8, 8, CV_8UC1);  
    Mat m = Mat::zeros(1, featureLen, CV_32FC1);  
    Mat img, dst;  
  
    //Just skip label header  
    lab_ifs.read(magicNum, sizeof(magicNum));  
    lab_ifs.read(ccount, sizeof(ccount));  
  
    char label = 0;  
    Scalar templateColor(255, 0, 0);  
  
    NumTrainData rtd;  
  
    int right = 0, error = 0, total = 0;  
    int right_1 = 0, error_1 = 0, right_2 = 0, error_2 = 0;  
    while(ifs.good())  
    {  
        //Read label  
        lab_ifs.read(&label, 1);  
        label = label + '0';  
  
        //Read data  
        ifs.read((char*)src.data, rows * cols);  
        GetROI(src, dst);  
  
        //Too small to watch  
        img = Mat::zeros(dst.rows*30, dst.cols*30, CV_8UC3);  
        resize(dst, img, img.size());  
  
        rtd.result = label;  
        resize(dst, temp, temp.size());  
        //threshold(temp, temp, 10, 1, CV_THRESH_BINARY);  
        for(int i = 0; i<8; i++)  
        {  
            for(int j = 0; j<8; j++)  
            {  
                    m.at<float>(0,j + i*8) = temp.at<uchar>(i, j);  
            }  
        }  
  
        if(total >= count)  
            break;  
  
        normalize(m, m);  
        char ret = (char)svm.predict(m);   
  
        if(ret == label)  
        {  
            right++;  
            if(total <= 5000)  
                right_1++;  
            else  
                right_2++;  
        }  
        else  
        {  
            error++;  
            if(total <= 5000)  
                error_1++;  
            else  
                error_2++;  
        }  
  
        total++;  
  
#if(SHOW_PROCESS)  
        stringstream ss;  
        ss << "Number " << label << ", predict " << ret;  
        string text = ss.str();  
        putText(img, text, Point(10, 50), FONT_HERSHEY_SIMPLEX, 1.0, templateColor);  
  
        imshow("img", img);  
        if(waitKey(0)==27) //ESC to quit  
            break;  
#endif  
  
    }  
  
    ifs.close();  
    lab_ifs.close();  
  
    stringstream ss;  
    ss << "Total " << total << ", right " << right <<", error " << error;  
    string text = ss.str();  
    putText(img, text, Point(50, 50), FONT_HERSHEY_SIMPLEX, 1.0, templateColor);  
    imshow("img", img);  
    waitKey(0);  
  
    return 0;  
}  
  
int main( int argc, char *argv[] )  
{  
#if(ON_STUDY)  
    int maxCount = 60000;  
    ReadTrainData(maxCount);  
  
    //newRtStudy(buffer);  
    newSvmStudy(buffer);  
#else  
    //newRtPredict();  
    newSvmPredict();  
#endif  
    return 0;  
}  
原文地址:http://blog.csdn.net/zhazhiqiang/article/details/20137087
0 0