少有人走的路

在学习KNN（二）KNN算法手写数字识别的OpenCV实现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：

————————————————

版权声明：本文为CSDN博主「chaibubble」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/chaipp0607/article/details/78084415