车牌字符识别OCR算法评估.pdfVIP

车牌字符识别OCR算法评估 最近学习了《Mastering Opencv with Pratical Computer Vision Projects》中第五章：基于SVM和神经⽹络的车牌识别系统。原⽂最 后提到：当训练OCR这样的机器学习算法时，需要知道所使⽤的最佳参数和特征，以及如何修正项⽬中出现的分类、识别和检测错误。⽂ 中给出的⽅法是直接读取保存样本特征的XML⽂件，将所有样本分为测试组（100个）和训练组，最后通过UNIX脚本来批量不同参数下误 差率的计算，并使⽤gnuplot绘图显⽰。因为本⼈对UNIX脚本语⾔没有接触，这⾥提供⼀种⽣成.m⽂件，导⼊matlab实现误差率与所取特 征可视化⽅法。 1.OCR算法评估类 class evalOCR { public: OCR ocr; static const int TRAIN_DATA_TYPE_NUM=4; public: //随机选取100个样本 void generateRandom(int n,int min,int max,vectorint *samples); //对样本进⾏测试并求出误差率 float test(Mat samples,Mat classes); //⽣成可视化.m⽂件 void evaluate(const char* xml_file_path, const string resName); void evaluate(const char* xml_file_path,vectorvectordouble prec); int PrintVector(FILE *f, const vectordouble v, const string name, int maxNum); }; 2.OCR算法类的具体实现 #include evalOCR.h char* data_type[4]={TrainingDataF5,TrainingDataF10,TrainingDataF15,TrainingDataF20}; // 随机抽取100个样本 void evalOCR::generateRandom(int n,int min,int max,vectorint *samples) { int range=max-min; int r=rand()%range+min; if(samples-at(r)==0) { samples-at(r)=1; n++; } if(n100) { generateRandom(n,min,max,samples); } } //通过训练模型分类结果与原始类别进⾏对⽐，求出错误率 float evalOCR::test(Mat samples,Mat classes) { float errors=0; for(int i=0;isamples.rows;i++) { int result=ocr.classify(samples.row(i)); if(result != classes.atint(i)) errors++; } return errors/samples.rows; } void evalOCR::evaluate(const char* xml_file_path, const string resName) { vectorvectordouble prec(TRAIN_DATA_TYPE_NUM); int NUM_MLP; static const int SHOW_COLOR_NUM = 7; static const char* colorShow[SHOW_COLOR_NUM] = {k, b, g, r, c, m, y}; FILE* f = fopen(resName.c_str(), w); FILE* f = fopen(resName.c_str(), w); CV_Assert(f != NULL); fprintf(f, clear;\nclose all;\nclc;\nhold on;\nfigure(1);\n