OpenCV 2.4+ C++ SVM文字识别

[b]预备知识[/b]

下面两个都不是必备知识，但是如果你想了解更多内容，可参考这两篇文章。

OpenCV 2.4+ C++ SVM介绍

OpenCV 2.4+ C++ SVM线性不可分处理

[b]SVM划分的意义[/b]

到此，我们已经对SVM有一定的了解了。可是这有什么用呢？回到上一篇文章结果图：



这个结果图的意义在于，他成功从二维划分了分类的区域。于是如果以后，有一个新的样本在绿色区域，那么我们就可以把他当成是绿色的点。

由于这可以像更高维度推广，所以如果我们能对样品映射成高维度空间的点，当有足够多的样品时，我们同样可以找到一个高维度的超平面划分，使得同一类样品的映射点在同一区域，于是当有新样品落在这些区域是，我们可以把它当成是这一类型的样本。

[b]通俗一点[/b]

可能我们能更加通俗一点。比如我们来识别男性和女性。

我们发现男性和女性可能头发长度不一样，可能胸围不一样，于是我们对样本个体产生这样的一种映射：

　　　　人 —> （头发长度, 胸围）

于是我们将每个样品映射到二维平面，其中“头发的长度”和“胸围的长度”分别是x轴和y轴。我们把这些样品丢给SVM学习，则他会寻找出一个合理的x和y的区域来划分男性和女性。

当然，也有可能有些男的头发比女的还长，有的男性的胸围比女性还大，这些就是错分点，它们也影响着划分。

最后，当我们把一个人映射到这个二维空间时，SVM就可以根据以往的学习，猜一猜这个人到底是什么性别。

我们学到了什么呢？





如果这是老板，你可就死翘翘了……

[b]简单的文字识别[/b]

当然计算机没那么厉害能看出你的胸围或者头发长短。他需要一些他能读懂的东西，特别计算机通常“看到”的是下面的这种东东……



我们需要对文字找到他的特征，来映射到高维空间。

还记得小学时候练字的米字格么？这似乎暗示了我们，虽然每个人写的字千差万别，但是他们却具有一定的特点。



我们尝试这样做，取一个字，选取一个包含该字的正方形区域，将这个正方形区域分割成8*8个小格，统计每个小格中像素的数量，以这些数量为维度进行映射。

OK，明白了原理让我们开始吧。



[b]样本获取[/b]

由于通常文字样本都是白底黑字的，而手写也可以直接获取写入的数据而无视背景，所以我们并不需要对样本进行提取，但我们需要对他定位，并弄成合适的大小。

比如，你没法避免有人这么写字……



坑爹啊，好好的那么大地方你就躲在左上角……

[b]开始定位[/b]

void getROI(Mat& src, Mat& dst){
int left, right, top, bottom;
left = src.cols;
right = 0;
top = src.rows;
bottom = 0;

//得到区域
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;
}
}
}

int width = right - left;
int height = bottom - top;

//创建存储矩阵
dst = Mat::zeros(width, height, CV_8UC1);

Rect dstRect(left, top, width, height);
dst(dstRect);
}

这段代码通过遍历所有图像矩阵的元素，来获取该样本的定位和大小。并把样本提取出来。

[b]重新缩放[/b]

Mat dst = Mat::zeros(8, 8, CV_8UC1);
resize(src, dst, dst.size());

进行缩放，把所有样本变成8*8的大小。为了简便，我们把像素多少变成了像素的灰度值。

resize的API：



[b]准备样本数据[/b]

Mat data = Mat::zeros(total, 64, CV_32FC1);    //样本数据矩阵
Mat res = Mat::zeros(total, 1, CV_32SC1);    //样本标签矩阵

res.at<double>(k, 1) = label;    //对第k个样本添加分类标签

//对第k个样本添加数据
for(int i = 0; i<8; i++)  {
for(int j = 0; j<8; j++)  {
res.at<double>(k, i * 8 + j) = dst.at<double>(i, j);
}
}

将刚刚的结果，输入样本，并加上标签。

[b]训练[/b]

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" );

开始训练并保存训练数据。

[b]使用[/b]

CvSVM svm = CvSVM();
svm.load( "SVM_DATA.xml" );
svm.predict(m);        //对样本向量m检测

[b]参考资料[/b]

使用OPENCV训练手写数字识别分类器 . firefight . 2011-05-28