学习KNN（三）KNN+HOG实现手写数字识别

比眉伴天荒 2022-06-08 12:13 214阅读 0赞

[学习KNN（一） 图像分类与KNN原理][KNN_ _KNN]  
[学习KNN（二）KNN算法手写数字识别的OpenCV实现][KNN_KNN_OpenCV]  
[学习KNN（三）KNN+HOG实现手写数字识别][KNN_KNN_HOG]

在[学习KNN（二）KNN算法手写数字识别的OpenCV实现][KNN_KNN_OpenCV]我们直接将像素值作为特征，实现了KNN算法的手写数字识别问题，并得到了较好的准确率，但是就像其他机器学习算法一样，KNN的对象同样是特征，所以我们可以用一种特征提取算法配合KNN实现手写数字识别的任务。  
下面用[HOG原理及OpenCV实现][HOG_OpenCV]中介绍的HOG算法提取特征，作为KNN的的输入，最后与像素值特征的结果进行对比。  
在数据方面还是使用之前生成的5000张手写数字图片，并根据之前介绍的KNN与HOG的OpenCV实现，写出如下代码：

#include <iostream>
    #include <opencv2/opencv.hpp>
    #include <opencv2/ml/ml.hpp>  
    using namespace std;
    using namespace cv;
    
    char ad[128]={
       0};
    
    int main()
    {
        Mat samFeatureMat ,samLabelMat;
        int k=5,testnum=0,truenum=0;
        HOGDescriptor hog(Size(20,20),Size(10,10),Size(2,2),Size(2,2),9);//利用构造函数，给对象赋值。
        int DescriptorDim;//HOG描述子的维数
        //读取训练数据 4000张
        for (int i = 0; i < 10; i++)
        {
            for (int j =0;j<400;j++)
            {
                sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
                Mat srcimage = imread(ad);
                vector<float> descriptors;//HOG描述子向量
                hog.compute(srcimage,descriptors);
    
                if ( i == 0&&j==0)
                {
                    DescriptorDim = descriptors.size();
                    samFeatureMat = Mat::zeros(4000  , DescriptorDim, CV_32FC1);
                    samLabelMat = Mat::zeros(4000  , 1, CV_32FC1);
                }
    
                for(int k=0; k<DescriptorDim; k++)
                {
                    samFeatureMat.at<float>(i*400+j,k) = descriptors[k];
                    samLabelMat.at<float>(i*400+j,0) = i;
                }
            }
        }
        samFeatureMat.convertTo(samFeatureMat,CV_32F);
        CvKNearest knn( samFeatureMat, samLabelMat, cv::Mat(), false, k );  
        cv::Mat nearests( 1, k, CV_32F);  
        //读取测试数据  1000张
        for (int i = 0; i < 10; i++)
        {
            for (int j =400;j<500;j++)
            {
                testnum++;
                sprintf_s(ad, "D:\\data\\%d\\%d.jpg",i,j);
                Mat testFeatureMat =Mat::zeros(1,DescriptorDim, CV_32FC1);
                Mat testdata = imread(ad);
                vector<float> descriptors;//HOG描述子向量
                hog.compute(testdata,descriptors);
                for(int k=0; k<DescriptorDim; k++)
                {
                    testFeatureMat.at<float>(0,k) = descriptors[k];
                }
                testFeatureMat.convertTo(testFeatureMat,CV_32F);
                int  response = knn.find_nearest(testFeatureMat,k,0,0,&nearests,0); 
                if (response==i)
                {
                    truenum++;
                }
            }
        }
        cout<<"测试总数"<<testnum<<endl;
        cout<<"正确分类数"<<truenum<<endl;
        cout<<"准确率："<<(float)truenum/testnum*100<<"%"<<endl;
        return 0;
    }

在HOG特征提取时，我们将整张图片作为一个检测窗，并设置块尺寸为10\*10，块步长为（2,2），cell尺寸为2\*2，bin个数为9，那么计算一下描述子维数就是：  
一个检测窗口中可以滑出36个块，一个块中可以划分25个cell，一个cell中产生9个方向，那么36\*25\*9=8100。

最后，结果统计如下所示：

![这里写图片描述][SouthEast]

[KNN_ _KNN]: http://blog.csdn.net/chaipp0607/article/details/77915298
[KNN_KNN_OpenCV]: http://blog.csdn.net/chaipp0607/article/details/77966888
[KNN_KNN_HOG]: http://blog.csdn.net/chaipp0607/article/details/78084415
[HOG_OpenCV]: http://blog.csdn.net/chaipp0607/article/details/70888899
[SouthEast]: /images/20220608/8a7d6ee21e3641e18cb05bd4ee107266.png