車牌字元識別OCR演算法評估

最近學習了《mastering opencv with pratical computer vision projects》中第五章：基於svm和神經網路的車牌識別系統。原文最後提到：當訓練ocr這樣的機器學習演算法時，需要知道所使用的最佳引數和特徵，以及如何修正專案中出現的分類、識別和檢測錯誤。文中給出的方法是直接讀取儲存樣本特徵的xml檔案，將所有樣本分為測試組（100個）和訓練組，最後通過unix指令碼來批量不同引數下誤差率的計算，並使用gnuplot繪圖顯示。因為本人對unix指令碼語言沒有接觸，這裡提供一種生成.m檔案，匯入matlab實現誤差率與所取特徵視覺化方法。

1.ocr演算法評估類

class evalocr ;

2.ocr演算法類的具體實現

#include "evalocr.h"
char* data_type[4]=;
//隨機抽取100個樣本
void evalocr::generaterandom(int n,int min,int max,vector*samples) 
if(n<100) 
}//通過訓練模型分類結果與原始類別進行對比，求出錯誤率
float evalocr::test(mat samples,mat classes) 
return errors/samples.rows;
}void evalocr::evaluate(const char* xml_file_path, const string &resname) ;
file* f = fopen(resname.c_str(), "w");
cv_assert(f != null);
fprintf(f, "clear;\nclose all;\nclc;\nhold on;\nfigure(1);\n\n");
evaluate(xml_file_path,prec);
string leglendstr("legend(");
for (int i = 0; i < train_data_type_num; i++) 
leglendstr.resize(leglendstr.size() - 2);
leglendstr += ");";
fprintf(f, "%s\nhold off;\nxlabel('threshold');\nylabel('precise');\ngrid on;", leglendstr.c_str());
fclose(f);
}void evalocr::evaluate(const char* xml_file_path,vector>& prec) 
fprintf(f, "];\n");
return i;
}

3.函式主框架

int main() { string resultfilename="d:\\evaluateshow.m"; string xml_path="d:\\ocr.xml"; //vector> precise; evalocr evalocr; evalocr.evaluate(xml_path.c_str(),resultfilename); cout< 4.視覺化結果圖總結說明： 1.讀入的"ocr.xml"檔案儲存了不同解析度下（5*5,10*10,15*15,20*20）下的特徵及所屬類別，本文讀取的是隨書附帶的".xml"檔案，並未做修改，讀入時請注意配置自己的檔案路徑，若需要自己選取字元特徵進行識別判斷，請生成自己的"xml"檔案。 2.神經網路隱藏層數本測試規定為100層，在此僅僅提供一種視覺化方法，並未對特徵選取，引數選擇做進一步的討論，而這些對優化系統至關重要。 3.本人小菜鳥一枚，如有任何錯誤，請大神指出，還要不斷努力學習。

車牌字元識別OCR演算法評估

OCR字元識別

OCR光學字元識別

OCR字元識別檢測

車牌字元識別OCR演算法評估

OCR字元識別

OCR光學字元識別

OCR字元識別檢測

相關推薦