Python实现校园卡目标检测与文字识别系统

 1pwd = os.getcwd()
 2logger.info('Current path is:{}'.format(pwd))
 3# 提取正样本
 4pos_dir = os.path.join(pwd, 'Positive')
 5if os.path.exists(pos_dir):
 6    logger.info('Positive data path is:{}'.format(pos_dir))
 7    pos = os.listdir(pos_dir)
 8    logger.info('Positive samples number:{}'.format(len(pos)))
 9# 提取负样本
10neg_dir = os.path.join(pwd, 'Negative')
11if os.path.exists(neg_dir):
12    logger.info('Negative data path is:{}'.format(neg_dir))
13    neg = os.listdir(neg_dir)
14    logger.info('Negative samples number:{}'.format(len(neg)))
15# 提取测试集
16test_dir = os.path.join(pwd, 'TestData')
17if os.path.exists(test_dir):
18    logger.info('Test data path is:{}'.format(test_dir))
19    test = os.listdir(test_dir)
20    logger.info('Test samples number:{}'.format(len(test)))

 1pwd = os.getcwd()
 2pos_dir = os.path.join(pwd, 'Positive')
 3neg_dir = os.path.join(pwd, 'Negative')
 4samples = []
 5labels = []
 6for f in pos:
 7    file_path = os.path.join(pos_dir, f)
 8    if os.path.exists(file_path):
 9        samples.append(file_path)
10        labels.append(1.)
11for f in neg:
12    file_path = os.path.join(neg_dir, f)
13    if os.path.exists(file_path):
14        samples.append(file_path)
15        labels.append(-1.)
16# labels 要转换成numpy数组，类型为np.int32
17labels = np.int32(labels)
18labels_len = len(pos) + len(neg)
19labels = np.resize(labels, (labels_len, 1))

 1train = []
 2logger.info('Extracting HOG Descriptors...')
 3num = 0.
 4total = len(samples)
 5for f in samples:
 6    num += 1.
 7    logger.info('Processing {} {:2.1f}%'.format(f, num/total*100))
 8    hog = cv2.HOGDescriptor((64,128), (16,16), (8,8), (8,8), 9)
 9    # hog = cv2.HOGDescriptor()
10    img = cv2.imread(f, -1)
11    img = cv2.resize(img, (64,128))
12    descriptors = hog.compute(img)
13    logger.info('hog feature descriptor size: {}'.format(descriptors.shape))    # (3780, 1)
14    train.append(descriptors)
15train = np.float32(train)
16train = np.resize(train, (total, 3780))

 1logger.info('Configuring SVM classifier.')
 2svm = cv2.ml.SVM_create()
 3svm.setCoef0(0.0)
 4svm.setDegree(3)
 5criteria = (cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 1000, 1e-3)
 6svm.setTermCriteria(criteria)
 7svm.setGamma(0)
 8svm.setKernel(cv2.ml.SVM_LINEAR)
 9svm.setNu(0.5)
10svm.setP(0.1)  # for EPSILON_SVR, epsilon in loss function?
11svm.setC(0.01)  # From paper, soft classifier
12svm.setType(cv2.ml.SVM_EPS_SVR)
13logger.info('Starting training svm.')
14svm.train(train, cv2.ml.ROW_SAMPLE, labels)
15logger.info('Training done.')
16pwd = os.getcwd()
17model_path = os.path.join(pwd, 'svm.xml')
18svm.save(model_path)
19logger.info('Trained SVM classifier is saved as: {}'.format(model_path))
20

 1hog = cv2.HOGDescriptor()
 2hog.setSVMDetector(cv2.HOGDescriptor_getDefaultPeopleDetector())
 3pwd = os.getcwd()
 4test_dir = os.path.join(pwd, 'TestData')
 5cap=cv2.VideoCapture("http://admin:admin@192.168.137.124:8081/")
 6while True:
 7    _, frame = cap.read()
 8    rects, _ = hog.detectMultiScale(frame, winStride=(4, 4), padding=(8, 8), scale=1.05)
 9    for (x, y, w, h) in rects:
10        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
11    cv2.imshow('Detect', frame)
12    c = cv2.waitKey(1) & 0xff
13    if c == 27:
14        break

1img=cv2.imread("TestData/0.jpg")
2img=cv2.resize(img,(400,300))

1rectKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(12,12))
2sqKernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))

1gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
2#执行Top-hat形态操作，将结果存储为 tophat,Top-hat操作显示了深色背景下的亮区
3tophat=cv2.morphologyEx(gray,cv2.MORPH_TOPHAT,rectKernel)

1gradx=cv2.Sobel(tophat,ddepth=cv2.CV_32F,dx=1,dy=0,ksize=-1)
2gradx=np.absolute(gradx)
3(minval,maxval)=(np.min(gradx),np.max(gradx))
4gradx=(255*((gradx-minval)/(maxval-minval)))
5gradx=gradx.astype("uint8")
6#执行gradX 图像的Otsu和二进制阈值，然后是另一个关闭操作,对数字分段
7gradx=cv2.morphologyEx(gradx,cv2.MORPH_CLOSE,rectKernel)

1thresh=cv2.threshold(gradx,0,255,cv2.THRESH_BINARY|cv2.THRESH_OTSU)[1]

1kernel=np.ones((7,7),np.uint8)
2dilate=cv2.dilate(thresh,kernel,iterations=1)

 1#找到轮廓并初始化数字分组位置列表
 2cnts=cv2.findContours(thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 3cnts=imutils.grab_contours(cnts)
 4locs = []
 5#循环遍历轮廓，同时根据每个的宽高比进行过滤，允许我们从信用卡的其他不相关区域修剪数字组位置
 6for (i, c) in enumerate(cnts):
 7    (x, y, w, h) = cv2.boundingRect(c)
 8    #我们需要提取的区域长宽比是大于1，去除杂项
 9    ar = w/h
10    if ar > 1:
11        locs.append((x, y, w, h))
12#从左到右对分组进行排序，并初始化信用卡数字列表
13locs = sorted(locs, key=lambda x:x[0])
14print(locs)
15for i in locs:
16    print(i)
17    image=gray[i[1]:i[1]+i[3],i[0]:i[0]+i[2]]
18    cv2.imwrite("temp.jpg",image)
19    APP_ID = '23109663'  # 刚才获取的 ID，下同
20    API_KEY = '4rWRc7ensuq0Bf8NGs8cGuaz'
21    SECRECT_KEY = 'bWWS8ugAs2wGGx78yTUiMccpQpWt0UlY'
22    client = AipOcr(APP_ID, API_KEY, SECRECT_KEY)
23    tt = open("temp.jpg", 'rb')
24    img = tt.read()
25    message = client.basicGeneral(img)  #通用文字识别
26    print(message)
27    cv2.imshow(str(i)+"2",image)
28    cv2.waitKey(1)
29cv2.waitKey(0)