opencv——基於SVM的數字識別(3)
阿新 • • 發佈:2018-12-13
前兩篇文章寫了基於兩種特徵提取的SVM數字識別
https://blog.csdn.net/weixin_41721222/article/details/84953788
https://blog.csdn.net/weixin_41721222/article/details/84978343
這篇文章主要是關於模型評估,即識別數字的正確率
下面程式碼是opencv3 c++
載入的XML檔案是之前程式碼訓練好的。
測試集是我的“”數字檢測樣本“”資料夾下的0-9個資料夾所包含的檢測樣本
#include <stdio.h> #include <time.h> #include <opencv2/opencv.hpp> #include <opencv/cv.h> #include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/ml/ml.hpp> #include <io.h> //查詢檔案相關函式 using namespace std; using namespace cv; using namespace ml; ostringstream oss; Mat dealimage; int num = -1; Mat yangben_gray; Mat yangben_thresh; void shibie(Mat dealimage); int yangben_data_position = 0;//代表為第幾幅影象 int right_lei = -1;//讓後面評估模型判斷是否分類正確 int rigth_number = 0;//分類正確的個數 int test_num = 0;//累計總共的測試影象個數 Ptr<SVM>SVM_params; int main() { //載入XML檔案 SVM_params = SVM::load("C:/Users/zhang/Desktop/opencv——例項/小案例/車牌檢測/基於機器學習/字元識別svm.xml"); const int classsum = 10;//圖片共有10類 //////////////////////從指定資料夾下提取圖片////////////////// for (int p = 0; p < classsum; p++) { right_lei += 1;//讓後面評估模型判斷是否分類正確 oss << "C:/Users/zhang/Desktop/opencv——例項/機器學習/數字檢測樣本/"; num += 1;//num從0到9 int label = num; oss << num << "/*.jpg";//圖片名字字尾,oss可以結合數字與字串 string pattern = oss.str();//oss.str()輸出oss字串,並且賦給pattern oss.str("");//每次迴圈後把oss字串清空 vector<Mat> input_images; vector<String> input_images_name; glob(pattern, input_images_name, false); //為false時,僅僅遍歷指定資料夾內符合模式的檔案,當為true時,會同時遍歷指定資料夾的子資料夾 //此時input_images_name存放符合條件的圖片地址 int all_num = input_images_name.size();//檔案下總共有幾個圖片 //cout << num << ":總共有" << all_num << "個圖片待測試" << endl; for (int i = 0; i < all_num; i++) { cvtColor(imread(input_images_name[i]), yangben_gray, COLOR_BGR2GRAY); threshold(yangben_gray, yangben_thresh, 0, 255, THRESH_OTSU); input_images.push_back(yangben_thresh); //迴圈讀取每張圖片並且依次放在vector<Mat> input_images內 dealimage = input_images[i]; yangben_data_position += 1;//代表為第幾幅影象 test_num += 1;//累計總共的測試影象 cout << "正在識別第" << yangben_data_position << "張圖片" << endl; shibie(dealimage); } } //模型評估// cout << "正確個數"<<rigth_number << endl <<"總檢測個數"<< test_num << endl; double right_rate = double(rigth_number) / double(test_num); cout << "正確率為:" << right_rate << endl; waitKey(0); return 0; } void shibie(Mat dealimage) { //imshow("原影象", gray); //輸入影象取特徵點 Mat trainTempImg = Mat::zeros(Size(128, 128), CV_8UC1); resize(dealimage, trainTempImg, trainTempImg.size()); HOGDescriptor *hog = new HOGDescriptor(Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9); vector<float>descriptors;//結果陣列 hog->compute(trainTempImg, descriptors, Size(1, 1), Size(0, 0)); //cout << "HOG描述子向量維數 " << descriptors.size() << endl; Mat SVMtrainMat = Mat(1, descriptors.size(), CV_32FC1); int number1 = descriptors.size(); //將計算好的HOG描述子複製到樣本特徵矩陣SVMtrainMat for (int i = 0; i < number1; i++) { //把一幅影象的HOG描述子向量依次存入data_mat矩陣的同一列 //因為輸入影象只有一個,即SVMtrainMat只有一列,則為0 SVMtrainMat.at<float>(0, i) = descriptors[i]; // n++; } SVMtrainMat.convertTo(SVMtrainMat, CV_32FC1);//更改圖片資料的型別,必要,不然會出錯 int ret = (int)SVM_params->predict(SVMtrainMat);//檢測結果 cout << "識別的數字為:" << ret << "\t"; if (right_lei == ret) { cout << "識別正確" << endl; rigth_number+=1; } if (right_lei != ret) cout << "識別錯誤" << "\t" << "正確值為:" << right_lei << endl; }
結果:
正確率為百分之67,不高主要是因為訓練集用的是手寫數字。而測試集用的是車牌數字。