神经网络入门

（一）神经网络车牌字符识别

1. 学习目的：识别车牌字符
2. 基本原理：字符分割完成后，首先计算特征，然后调用训练函数进行训练，最后是识别测试。
3. 首次接触opencv的神经网络，先通过一些小例子了解一下。

#include "opencv2/core/core.hpp"
 #include "opencv2/imgproc/imgproc.hpp"
 #include "opencv2/imgcodecs/imgcodecs.hpp"
 #include "opencv2/highgui/highgui.hpp"
 #include "opencv2/ml/ml.hpp"

 using namespace cv;
 using namespace ml;

 int main()
 {
    // static Ptr<ANN_MLP>;
    /// ANN_MLP::create();//创建空模型
     //设置激活函数，目前只支持ANN_MLP::SIGMOID_SYM

     // 512 x 512 零矩阵
     int width = 512, height = 512;
     Mat img = Mat::zeros(height, width, CV_8UC3);

     // 训练样本
     float train_data[6][2] = { { 500, 60 }, { 245, 40 }, { 480, 250 }, { 160, 380 }, { 400, 25 }, { 55, 400 } };
     float labels[6] = { 0, 0, 0, 1, 0, 1 };  // 每个样本数据对应的输出
     Mat train_data_mat(6, 2, CV_32FC1, train_data);
     Mat labels_mat(6, 1, CV_32FC1, labels);

     // BP 模型创建和参数设置
     Ptr<ANN_MLP> bp = ANN_MLP::create();

     Mat layers_size = (Mat_<int>(1, 3) << 2, 6, 1); // 2维点，1维输出
     bp->setLayerSizes(layers_size);
     bp->setTrainMethod(ANN_MLP::BACKPROP, 0.1, 0.1);
     bp->setActivationFunction(ANN_MLP::SIGMOID_SYM);
     bp->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 10000, /*FLT_EPSILON*/1e-6));

     // 保存训练好的神经网络参数
     bool trained = bp->train(train_data_mat, ml::ROW_SAMPLE, labels_mat);
     if (trained) {
         bp->save("bp_param");

    }

     // 创建训练好的神经网络
 //    Ptr<ml::ANN_MLP> bp = ml::ANN_MLP::load("bp_param");

     // 显示分类的结果
     Vec3b green(0, 255, 0), blue(255, 0, 0);
     for (auto i = 0; i<img.rows; ++i) {
         for (auto j = 0; j<img.cols; ++j) {
             Mat sample_mat = (Mat_<float>(1, 2) << j, i);
             Mat response_mat;
             bp->predict(sample_mat, response_mat);
             float response = response_mat.ptr<float>(0)[0];
             if (response > 0.5) {
                 img.at<Vec3b>(i, j) = green;
            }
            else if (response < 0.5) {
                 img.at<Vec3b>(i, j) = blue;

            }

        }
    }

     // 画出训练样本数据
     int thickness = -1;
     int lineType = 8;
     circle(img, Point(500, 60), 5, Scalar(255, 255, 255), thickness, lineType);
     circle(img, Point(245, 40), 5, Scalar(255, 255, 255), thickness, lineType);
     circle(img, Point(480, 250), 5, Scalar(255, 255, 255), thickness, lineType);
     circle(img, Point(160, 380), 5, Scalar(0, 0, 255), thickness, lineType);
     circle(img, Point(400, 25), 5, Scalar(255, 255, 255), thickness, lineType);
     circle(img, Point(55, 400), 5, Scalar(0, 0, 255), thickness, lineType);
     imwrite("result.png", img);        // 保存训练的结果
     imshow("BP Simple Example", img);

     waitKey(0);
 }

（二）运行效果

（三）总结

通过查阅资料opencv3.0以上的ANN_MLP函数的使用与旧版本的有很大的不同，这成为了一个很大的阻碍。

（四）opencv3.0版本以上ANN_MLP的使用

//创建ANN_MLP
Ptr<ANN_MLP> bp=ANN_MLP::create();

//加载分类器，使用任何一个即可
Ptr<ANN_MLP> bp=StatModel::load<ANN_MLP>("*.xml");
Ptr<ANN_MLP> bp=ANN_MLP::load<ANN_MLP>("*.xml");
Ptr<ANN_MLP> bp=Algorithm::load<ANN_MLP>("*.xml");