代码：
# -*- coding: utf-8 -*-
#=============导入库=================
import cv2
import numpy as np
import glob
#=============抗扭斜函数=================
def deskew(img):
m = cv2.moments(img)
if abs(m['mu02']) < 1e-2:
return img.copy()
skew = m['mu11']/m['mu02']
s=20
M = np.float32([[1, skew, -0.5*s*skew], [0, 1, 0]])
affine_flags = cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR
size=(20,20) #每个数字的图像的尺寸
img = cv2.warpAffine(img,M,size,flags=affine_flags)
return img
#=============HOG函数=================
def hog(img):
gx = cv2.Sobel(img, cv2.CV_32F, 1, 0)
gy = cv2.Sobel(img, cv2.CV_32F, 0, 1)
mag, ang = cv2.cartToPolar(gx, gy)
bins = np.int32(16*ang/(2*np.pi))
bin_cells = bins[:10,:10], bins[10:,:10], bins[:10,10:], bins[10:,10:]
mag_cells = mag[:10,:10], mag[10:,:10], mag[:10,10:], mag[10:,10:]
hists = [np.bincount(b.ravel(), m.ravel(),16) for b, m in zip(bin_cells, mag_cells)]
hist = np.hstack(hists)
return hist
#=============getData函数，获取训练数据、测试数据及对应标签=================
def getData():
data=[] #存储所有数字的所有图像
for i in range(0,10):
iTen=glob.glob('data/'+str(i)+'/*.*') # 所有图像的文件名
num=[] #临时列表，每次循环用来存储某一个数字的所有图像
for number in iTen: #逐个提取文件名
# step 1:预处理（读取图像，色彩转换、大小转换）
image=cv2.imread(number) #逐个读取文件，放入image中
image=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) #彩色——>灰色
# x=255-x #必要时需要做反色处理：前景背景切换
image=cv2.resize(image,(20,20)) #调整大小
# step2：倾斜校正
image=deskew(image) #倾斜校正
# step3：获取hog值
hogValue=hog(image) #获取hog值
num.append(hogValue) #把当前图像的hog值放入num中
data.append(num) #把单个数字的所有hogvalue放入data，每个数字所有hog值占一行
x=np.array(data)
# step4：划分数据集（训练集、测试集）
trainData=np.float32(x[:,:8])
testData=np.float32(x[:,8:])
# step5：塑形，调整为64列
trainData=trainData.reshape(-1,64) #训练图像调整为64列形式
testData=testData.reshape(-1,64) #测试图像调整为64列形式
# step6：打标签
trainLabels = np.repeat(np.arange(10),8)[:,np.newaxis] #训练图像贴标签
TestLabels = np.repeat(np.arange(10),2)[:,np.newaxis] #测试图像贴标签
return trainData,trainLabels,testData,TestLabels
#=============SVM函数，构造svm模型、使用svm模型=================
def SVM(trainData,trainLabels,testData,TestLabels):
#----------构造svm------------------
svm = cv2.ml.SVM_create() # 初始化
svm.setKernel(cv2.ml.SVM_LINEAR) # 设置kernel类型
svm.train(trainData, cv2.ml.ROW_SAMPLE, trainLabels) #训练svm
#----------使用svm------------------
result = svm.predict(testData)[1] #获取识别标签
mask = result==TestLabels #比较识别结果是否等于实际标签
correct = np.count_nonzero(mask) #计算非零值（相等）的个数
accuracy = correct*100.0/result.size #计算准确率（相等个数/全部）
return accuracy
#=============主程序=================
trainData,trainLabels,testData,TestLabels=getData()
accuracy=SVM(trainData,trainLabels,testData,TestLabels)
print("识别准确率为：",accuracy)
