本内容分享于课程《OpenCV入门精讲（C++/Python双语教学）》，地址：

OpenCV入门精讲（C++/Python双语教学）

如果想提升C++的编程水平，可以参考课程：

C++进阶学习

OpenCV课程中还有很多有趣且实用的案例，这些案例都以C++和Python两种语言实现，对其中的代码都有详细的讲解。

基于OpenCV的手写数字识别案例从’digits.png’加载手写数字识别的数据集，然后训练一个SVM和KNearest 分类器并评估它们的准确率。
数据集会经过如下的预处理:

• 基于图像的矩去扭曲 (参见函数deskew())
• 数字图像被分割成4个10x10的cells和16个bin，为每个bin计算定向梯度直方图
• 使用Hellinger度量将直方图转换为space(see [1] (RootSIFT))

代码如下

int main(int /* argc */, char *argv[])
{help(argv);vector digits; // 训练数据vector labels; // 标签// 加载训练数据和标签load_digits(DIGITS_FN, digits, labels);cout << "preprocessing..." << endl;// 数据打乱shuffle(digits, labels);vector digits2;// 扭曲图像for (size_t i = 0; i < digits.size(); i++){Mat deskewed_digit;deskew(digits[i], deskewed_digit);digits2.push_back(deskewed_digit);}Mat samples;// 预处理求hog算子preprocess_hog(digits2, samples);// imshow("samples", samples);// waitKey(0);// 90%的数据做训练集int train_n = (int)(0.9 * samples.rows);Mat test_set;// 存储测试数据vector digits_test(digits2.begin() + train_n, digits2.end());// 马赛克式将小图像拼成大图像mosaic(25, digits_test, test_set);imshow("test set", test_set);imwrite("test_image.jpg", test_set);// 训练数据和测试数据划分Mat samples_train = samples(Rect(0, 0, samples.cols, train_n));Mat samples_test = samples(Rect(0, train_n, samples.cols, samples.rows - train_n));vector labels_train(labels.begin(), labels.begin() + train_n);vector labels_test(labels.begin() + train_n, labels.end());Ptr k_nearest;Ptr svm;vector predictions;Mat vis;// K最近邻算法cout << "training KNearest..." << endl;k_nearest = ml::KNearest::create();// 模型训练k_nearest->train(samples_train, ml::ROW_SAMPLE, labels_train);// KNearest做结果预测k_nearest->findNearest(samples_test, 4, predictions);// 模型评估，计算错误率evaluate_model(predictions, digits_test, labels_test, vis);imshow("KNearest test", vis);imwrite("KNearest-test.jpg", vis);k_nearest.release();// SVM算法cout << "training SVM..." << endl;svm = ml::SVM::create();svm->setGamma(5.383);svm->setC(2.67);svm->setKernel(ml::SVM::RBF);svm->setType(ml::SVM::C_SVC);svm->train(samples_train, ml::ROW_SAMPLE, labels_train);// predict digits with SVMsvm->predict(samples_test, predictions);evaluate_model(predictions, digits_test, labels_test, vis);imshow("SVM test", vis);imwrite("SVM-test.jpg", vis);cout << "Saving SVM as \"digits_svm.yml\"..." << endl;// 训练的结果保存svm->save("digits_svm.yml");svm.release();waitKey();return 0;
}

训练结果如下：

KNearest  error: 2.80 %
SVM  error: 2.40 %

测试图片如下：

KNearest算法测试结果（红色标识为识别错误的结果）：

SVM算法测试结果（红色标识为识别错误的结果）：

更多学习可以参考图书：

《学习OpenCV4：基于Python的算法实战》

《深度学习计算机视觉实战》