【计算机视觉40例】案例18：SVM手写数字识别

SVM数字识别的基本流程如图1所示，主要包含以下流程：

1. Step1：预处理。该过程在读入图像后，通过对图像进行色彩转换（彩色变灰度）、大小调整（所有图像统一为20×20像素大小），将所有的样本图像（训练图像和测试图像）处理为等大小的灰度图像形式。
2. Step2：倾斜校正。将倾斜的数字变为正向的数字。
3. Step3：hog特征提取。提取图像的方向梯度直方图（Histogram of Oriented Gradient, HOG）特征。此时，每个数字得到64个特征值。
4. Step1-step3：上述步骤step1至step3，通过循环的方式读取文件夹内的每一个图像文件，得到图中“所有样本图像HOG值”。
5. Step4：数据集拆分。将全部样本集划分为训练集、测试集。
6. Step5：塑形。将特征值处理为1*64形式。
7. Step6：打标签。为所有数据样本加上对应的标签。
8. Step7：SVM。构造SVM分类器，识别数字。

 

图1  基本流程

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》一书中，从算法原理、实现流程等角度系统深入地介绍了该案例的理论基础和实现过程，并对具体的代码实现进行了细致的介绍与解释。欢迎大家阅读第18章《SVM手写数字识别》获取详细内容。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。