将OpenCV应用于OCR字符识别

opencv附带一个字符识别示例. 它的重点不是OCR字符识别，而是主要演示机器学习的应用. 它使用UCI提供的字符数据（特征数据）.

DAMILES在Internet上发布了使用OpenCV进行OCR的示例.

这些示例只能用于学习OpenCV或熟悉OCR的简单过程，因为它们与当前更的OCR引擎的识别率相差甚远.

这是OpenCV下OCR的过程:

1. 特征提取

2. 培训

3. 明

特征提取

1. 在图像预处理之后，提取与字符相关的ROI图像，并对尺寸进行归一化. 整个图像的像素值序列可以直接用作特征. Damiles将整个角像直接转换为矢量特征作为特征输入.

2. 但是ocr字符识别是什么，直接将整个图像用作特征数据的维数过高且计算量过多，因此也可以进行某种维数缩小以减少输入数据量. 获取角色的ROI图像并将其二值化. 将图像划分为块，然后计算每个小块中非零像素的数量，从而形成一个较小的矩阵，这是新功能.

这是UCI处理它的方式，请参考其描述+ Recognition + of + Handwriting + Digits

OpenCV中的letter_recog示例使用其特征数据.

培训和认可

训练和识别通常使用相同的机器学习方法:

DAMILES应用KNearest方法来训练和识别输入数据.

1. 数据输入:

在getData（）函数中:

设置trainData和trainClasses的数据.

2. 初始化机器学习算法及其训练

knn = new CvKNearest（trainData，trainClasses，0，false，K）;

trainData，已获取trainClasses数据.

K是类别数.

在CvKNearest算法的初始化中培训已经完成

3. 明

获取身份验证测试数据testData

result = knn-> find_nearest（testData，K，0,0，nearest，0）;

结果是识别的结果.

在OpenCV自己的示例中，它提供了机器学习方法（例如boostocr字符识别是什么，mlp，knearest，nbayes，svm和rtree）进行训练和识别.

处理步骤和方法类似.

这些示例的识别率不是很高. 具有更好的使用意义，OCR识别率大于90％. 因此，OCR需要更多的功能和分析方法来提高识别率. Tesseract是一个很好的开源OCR引擎.

-------------------

在tesseract的原始字体库中，一种字体的字符样本库包括: 94个字符，8种大小，4种字体（普通，粗体，斜体，斜体粗体），每种都有20个样本，总共60160个样本.

与UIC提供的字体库不同，tesseract提供了对标准打印字体库的识别，而UIC提供了用于手写手写的特征数据.

数据之美提到，G公司（应该是Google）的研究结果表明，在自然语言和机器翻译领域，简单模型和大量有效样本数据比复杂模型更有效. 加上少量样本数据. . 该结论应适用于机器学习的许多领域. 计算速度足够快，样本也足够大，即使使用简单的模型，效果也可能出乎意料.

可以看出，收集有效的大型样本库非常重要.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/ruanjian/article-285947-1.html