基于Opencv自带BP网络的车标简易识别

立即下载用AI写一个

发布时间：2018-04-26

20人 | 浏览：3868次 | 收藏 |

技术：Opencv+神经网络+HOG特征

运行环境：win10+VS2017+Opencv2.4.11

概述

使用Opencv自带的BP神经网络和人工提取的HOG特征来进行车标分类

详细

> 记得把这几点描述好咯：代码实现过程 + 项目文件结构截图 + 演示效果

# 1.准备工作
## 1.1 训练集和测试集准备
1. 先将数据集手动划分成训练集和测试集，并分好类，比如第一类就放在文件夹名为`0`的文件夹下，第二类就是`1`，如此类推。
>当前程序只能处理10类以下车标，因为当前程序逻辑不支持10以上的数字识别（具体可以仔细看下代码）

所有训练集的图片放在`train`文件夹中，测试集放在`test`文件夹下。最终的文件树如下：
![捕获.PNG](https://i.loli.net/2018/03/02/5a982f6d2826a.png)
> 1. `reCarlog`是工程名，即`Cardata`和`main.cpp`同目录。
> 2. 测试集的类别数字和训练集的要一一对应。因为程序将要用它们作为分类依据。

2. 在 `main.cpp`目录下准备两个文件，`trainpath.txt`和`testpath.txt`，用以保存所有训练集和测试集图片的路径。程序需要这两个文件来读取训练集和测试集的图片。举例如下(`trainpath.txt`)
> ./Cardata/train/0/train_citroen1.jpg  
> ./Cardata/train/0/train_citroen10.jpg
>./Cardata/train/0/train_citroen100.jpg
>./Cardata/train/0/train_citroen101.jpg

建议使用相对路径。  
  这样，当我们读取一张图片的时候，可以利用图片的路径名称，通过`split`调用确定该车标的类别（使用切分字符`'/'`，第4个值即类别（0，1，2，3，4...））
  
# 2.实现步骤
## 2.1 代码概览
代码很简单，就一个`main.cpp`文件。大致分为以下3块
- **全局变量**：比如整理好的数据集，标签集，HOG特征向量 
- **全局函数**：模块划分，使得`main`函数不显得臃肿。
- **自定义网络类**：`myNeraulNetwork`用于搭建简单BP网络和训练预测

## 2.2 运行流程
分3步：
1. 训练集装载
2. 定义网络+训练网络
3. 测试网络

### 2.2.1 训练集装载
全局变量设定：

#define N_SAMPLE 1000
	#define F_NUM   1764 
	#define CLASSNUM 5
	float Data[N_SAMPLE][F_NUM];      // 数据存放
	float Label[N_SAMPLE][CLASSNUM]   // 标签存放

训练网络输入是两个二维矩阵，第一个矩阵是数据矩阵（第一维是样本个数`N_SAMPLE`,第二维是每个样本的特征向量是，宽度为`F_NUM`），第二个矩阵是标签矩阵，对应每个样本，都有一个类别标签，如果是第一类，则它的标签向量为`1,0,0,0,0`(本例是5维)。  
这里主要提一下数据矩阵的第二维是怎么确定的。  
>每个样本的特征向量即每张图片的HOG特征。HOG特征是一个一维向量。

#### HOG特征维度确定
对于一张图片，使用一个滑动窗口以一定的步进滑动，分别获取每个窗口的特征值，是一般的人工图像特征提取方式。简单说下HOG特征的提取。  
假设一张图片的维度是`img_size=64x64`，我们使用的滑动窗口大小为`block_size=16x16`,滑动步进`stride=8x8`，那么对一个这样的图像，能得到`(64-8)/8 x (64-8)/8=7x7=49`个窗口，对于每个窗口`block`，HOG特征细分为胞元`cell_size=8x8`。于是一个`block`就有`2x2=4`个胞元，每个胞元默认有`9`个特征值，所以在上述参数的情况下，HOG特征的维度为`49x4x9=1764`，这也是本工程的默认参数。
>opencv自带HOG特征提取，`img_size`、`block_size`、`stride`和`cell_size`都需要自行设定，因此需要事先计算好特征维度，才能确定数据矩阵第二维的宽度。

#### 装载过程
	read trainpath.txt;   // 读取路径文件
	for each trainImg in trainpath.txt :
		getHOG(trainImg)   // 获取HOG特征
	    getLabel according to its path 
	    put its hog into Data[][]
	    put its label into Label[][]

### 2.2.2 定义网络+训练网络
对opencv自带网络类进行了简单的封装，如下：
![捕获.PNG](https://i.loli.net/2018/03/02/5a98dbd8c07a5.png)
定义和使用代码里说的很清楚了，这里再提下两个构造函数：
带参数的构造函数使用网络参数文件名作为参数。可以直接使用训练好的网络参数文件直接初始化网络，而不需要`initialNN`。
### 2.2.3 测试网络
读取测试文件，输入网络，获得输出。
>输入为每次一个图片，所以输入的二维矩阵为`test[1][F_NUM]`。`myNerualNetwork().predict(img)`获得一个预测值，可以跟实际值(分析文件路径名获得)做对比，得到分类正确率。

# 3.其他注意事项
- 使用宏定义来进行训练or测试
- Opencv的安装配置查看教程
- 还有其他问题可直接私戳

# 4.运行效果
![](https://markdownfoto-1252952266.cos.ap-guangzhou.myqcloud.com/usual/demodashi1.PNG)

本实例支付的费用只是购买源码的费用，如有疑问欢迎在文末留言交流，如需作者在线代码指导、定制等，在作者开启付费服务后，可以点击“购买服务”进行实时联系，请知悉，谢谢

感谢

手机上随时阅读、收藏该文章？请扫下方二维码

基于Opencv自带BP网络的车标简易识别

概述

详细

相似例子推荐

评论

作者

评分详细

作者例子