簡介

　　這是基於svm實現字元識別，不過只是個大概模板，需要能夠準確識別，需要的訓練樣本太多，沒去收集。

程式碼講解

具體程式碼

#include <opencv2/core/core.hpp>                                                                                                   
#include <opencv2/highgui/highgui.hpp>
#include <opencv/cv.h>
#include <stdio.h>
#include <opencv2/ml/ml.hpp>
 
using namespace cv;
 
#define match_all 10
#define match_detect 10
#define pic_size 512
 
int main(int argc, char* argv[]){
	const char *match_pic[match_all] = {
		"rightPic/0.bmp", "rightPic/1.bmp", "rightPic/2.bmp", "rightPic/3.bmp", "rightPic/4.bmp",
		"rightPic/5.bmp", "errorPic/6.bmp", "errorPic/7.bmp", "errorPic/8.bmp", "errorPic/9.bmp",
	};
	int i, j, k;
 
	float labels[10]={1, 1, 1, 1, 1, 1, -1, -1, -1, -1};
	Mat labelsMat(10, 1, CV_32FC1, labels);
 
 
	float trainingData[10][pic_size];
 
	for(i=0; i<match_detect; i++){
		cv::Mat mat1 = cv::imread(match_pic[i], 0);
		uchar* ptr = mat1.ptr(0);
		int length = mat1.rows * mat1.cols;
 
		for(j=0; j<length; j++){
			trainingData[i][j] = (float)ptr[j];
		}	
	}
	Mat trainingDataMat(10, pic_size, CV_32FC1, trainingData);
 
	// Set up SVM's parameters
	CvSVMParams params;
	params.svm_type    = CvSVM::C_SVC;
	params.C            = 0.1; 
	params.kernel_type = CvSVM::LINEAR;
	params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
 
	// Train the SVM
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
 
	cv::Mat mat2 = cv::imread(argv[1], 0);
	uchar* ptr2 = mat2.ptr(0);
	float testData[pic_size];
	for(k=0; k<pic_size; k++){
		testData[k] = (float)ptr2[k];
	}
	cv::Mat mat3(1, pic_size, CV_32FC1, testData);
	float response = SVM.predict(mat3);
	printf("response:%f\n", response);
	cv::imshow("SVM Simple Example", mat2);
 
	waitKey(0);
}
 

建立訓練樣本

const char *match_pic[match_all] = {
		"rightPic/0.bmp", "rightPic/1.bmp", "rightPic/2.bmp", "rightPic/3.bmp", "rightPic/4.bmp",
		"rightPic/5.bmp", "errorPic/6.bmp", "errorPic/7.bmp", "errorPic/8.bmp", "errorPic/9.bmp",
	};
	int i, j, k;
 
	float labels[10]={1, 1, 1, 1, 1, 1, -1, -1, -1, -1};
	Mat labelsMat(10, 1, CV_32FC1, labels);
 
 
	float trainingData[10][pic_size];
 
	for(i=0; i<match_detect; i++){
		cv::Mat mat1 = cv::imread(match_pic[i], 0);
		uchar* ptr = mat1.ptr(0);
		int length = mat1.rows * mat1.cols;
 
		for(j=0; j<length; j++){
			trainingData[i][j] = (float)ptr[j];
		}	
	}
	Mat trainingDataMat(10, pic_size, CV_32FC1, trainingData);
 

　　首先是定義使用了10個訓練樣本，在labels中，利用1和-1，將前6個分為一類，後四個分為一類。接著match_pic定義了訓練樣本的路徑，所謂的訓練樣本也就是
10張圖片，前面6張是字元0的圖片，後面4張是其他1-9的圖片。這樣通過大量訓練之後，就能在這個svm中將0從0-9的字元中識別出來。但是訓練樣本必須大。。不能
如本例這般小。
　　分配一個結構儲存訓練樣本資料：trainingData[10][pic_size];將10張16X32的訓練圖片都匯入到該陣列中。在本例中，因為訓練的樣本圖片都不大，所以沒有取
圖片的特徵值，而是整個圖片匯入訓練。

訓練支援向量機

  // Set up SVM's parameters
	CvSVMParams params;
	params.svm_type    = CvSVM::C_SVC;
	params.C            = 0.1; 
	params.kernel_type = CvSVM::LINEAR;
	params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);
 
	// Train the SVM
	CvSVM SVM;
	SVM.train(trainingDataMat, labelsMat, Mat(), Mat(), params);
 

　　也是用函式SVM.train用之前填充的trainingDataMat進行訓練。

字元識別

 cv::Mat mat2 = cv::imread(argv[1], 0);
	uchar* ptr2 = mat2.ptr(0);
	float testData[pic_size];
	for(k=0; k<pic_size; k++){
		testData[k] = (float)ptr2[k];
	}
	cv::Mat mat3(1, pic_size, CV_32FC1, testData);
	float response = SVM.predict(mat3);
	printf("response:%f\n", response);

　　分配mat2來接收，我們需要識別的圖片:argv[1],然後一樣的使用SVM.predict進行識別。最後如果response 返回為1，表示需要識別的圖片是字元0，否則就是0-9
的其他圖片。