opencv自帶一個字符識別的例子，它的重點不是OCR字符識別，而主要是演示機器學(xué)習(xí)的應(yīng)用。它應(yīng)用的是UCI提供的字符數(shù)據(jù)（特征數(shù)據(jù)）。

DAMILES在網(wǎng)上發(fā)布了一個應(yīng)用OpenCV進(jìn)行OCR的例子， http://blog./2008/11/basic-ocr-in-opencv/。

這些例子都只能用于學(xué)習(xí)OpenCV或熟悉OCR的簡單流程，因為它們與當(dāng)前比較專業(yè)的OCR引擎的識別率相去甚遠(yuǎn)。

這里寫下OpenCV下OCR的流程：

1. 特征提取

2. 訓(xùn)練

3. 識別

特征提取

1. 在圖像預(yù)處理后，提取出字符相關(guān)的ROI圖像，并且大小歸一化，整個圖像的像素值序列可以直接作為特征。damiles是直接將整個字符圖像轉(zhuǎn)換化為vector向量特征作為特征輸入的。

2. 但直接將整個圖像作為特征數(shù)據(jù)維度太高，計算量太大，所以也可以進(jìn)行一些降維處理，減少輸入的數(shù)據(jù)量。拿到字符的ROI圖像，二值化。將圖像分塊，然后統(tǒng)計每個小塊中非0像素的個數(shù)，這樣就形成了一個較小的矩陣，這矩陣就是新的特征了。

UCI就是這么處理，詳見其說明http://archive.ics./ml/datasets/Optical+Recognition+of+Handwritten+Digits

OpenCV中l(wèi)etter_recog例子就是使用的其特征數(shù)據(jù)。

訓(xùn)練與識別

訓(xùn)練與識別一般都采用同一種機器學(xué)習(xí)方法：

DAMILES應(yīng)用了KNearest方法，對輸入數(shù)據(jù)進(jìn)行訓(xùn)練和識別。

1. 數(shù)據(jù)輸入：

getData（）函數(shù)中：

為trainData和trainClasses設(shè)置數(shù)據(jù)。

2. 初始化機器學(xué)習(xí)算法，及其訓(xùn)練

knn=new CvKNearest( trainData, trainClasses, 0, false, K );

trainData, trainClasses數(shù)據(jù)已得到。

而K是分類的數(shù)目。

訓(xùn)練在CvKNearest算法初始化中已經(jīng)完成

3. 識別

獲取識別測試的數(shù)據(jù)，testData

result=knn->find_nearest(testData,K,0,0,nearest,0);

result為識別的結(jié)果。

而OpenCV自帶例子中，提供了boost，mlp，knearest，nbayes，svm，rtrees這些機器學(xué)習(xí)方法，進(jìn)行訓(xùn)練和識別。

處理的步驟和方式都類似。

這些例子的識別率不是很高，OCR識別率在90%以上才有較好的使用意義，所以，OCR還需要更多特征和分析方法，來提高識別率，tesseract是一個不錯的開源OCR引擎。

-------------------

在tesseract最初的字體庫里，一種字體的字符樣本庫包括：94個字符，8種大小，4種字體（正常，粗體，斜體，斜粗體），每種20個樣本，共60160個樣本。

與UIC提供的字體庫不同的是，tesseract提供的是標(biāo)準(zhǔn)印刷體字體庫的識別，而UIC提供是手寫體handwriting的特征數(shù)據(jù)。

數(shù)據(jù)之美提到，G公司（應(yīng)該就是google了）的研究結(jié)果表明，在自然語言與機器翻譯領(lǐng)域，簡單模型加上大量有效樣本數(shù)據(jù)，比復(fù)雜模型加上小樣本數(shù)據(jù)，有效的多。 這個結(jié)論應(yīng)該適用機器學(xué)習(xí)的很多領(lǐng)域。運算足夠快，樣本足夠大，即使簡單的模型，效果可能會出人意料。

由此可見，收集有效的、大量的樣本庫是多么的重要。