图像识别谈论，不只限于OCR，基于水表识别，燃气表识别为例
咱们都知道单纯靠算法解决一切问题是不现实，图像识别做为一个工程性很强的领域，更多的须要从输入源，也就是图像采集端（摄像头或者扫描仪等）、光源以及系统架构方面等解决问题。作太低照度高帧率图像识别，也搞过很多机器视觉物料分拣项目，对此深有体会。一个清晰的图像质量，干净的背景会方便后期图像处理不少，因此实际项目中首先保证尽量好的图像，尽量干净的背景，以后再来图像检测定位分割跟踪或者识别。html
- 下面以水表识别，燃气表识别为例进行讨论
图像处理到底靠不靠谱，作检测识别需不须要作图像预处理
- 图像识别项目最大的特征就是“看图说话”，具体项目具体处理。因此需不须要图像预处理，看具体项目须要。
- 图像预处理耗时吗？不少项目须要在手机平台运行，或者嵌入式上跑，用CPU处理一张720P的图像会很耗时，好比720P的RGB在iPhone6上作resize就须要20多ms了，有时候会借助于GPU来预处理图像。
- 对于实时性要求很高的应用来讲，个人经验上基本上直接原图上用分类器作检测定位分割就够了，不须要图像处理。好比基于haar+adaboost的图像检测，基于CNN的图像定位等。由于原图一动，全部的样本就动了，分割出来的识别样本就不同了，试想几百万的样本，有滤波过的，有没有滤波的，有直方图拉伸过的，有没有拉伸过的，若是在低照度下，由于曝光时间比较短，相机成像较差，会出现部分图像噪点很严重，不一样的处理带来彻底不同的图像，很是影响后期的图像分类识别。
- 图像识别的时候根据须要进行图像预处理，主要有两方面的目的：一方面是为了增长样本数量，好比cvNorm，Retinex，dehist等等，或者进行图像的上下左右平移，旋转增长样本丰富性；一方面是为了增长类之间的差别，突出特征，好比白化，羽化等。
图像识别中最核心最难搞的模块之一：目标检测定位分割
作识别应用最难的部分就是分割了，图像分割好了，后端作识别才更简单。 c++
- 检测前需不须要作图像预处理：建议能够根据实际状况简单处理下，经常使用的好比cvNorm，可是仅在备份图像上作处理，原图尽可能不动，原图留作识别抠图。
- 训练一个分类器进行目标检测，以haar+adaboost为例，详细参考字符检测的正负样本得取（利用鼠标画框抠图）和准备样本等。
- 每每分类器仅仅只能获得以上一个初步的效果，这时候须要根据项目实际图像固有的特征规律进行一些调整。
图像识别
- 分类器选择：在deep learning大行其道的天下，确实是不错的选择。Hition在2012年ImageNet识别时用的算法paper：Imagenet classification with deep convolutional neural networks. 他还给出了对应的code，基于GPU，c++的：https://code.google.com/p/cuda-convnet/。
- 识别样本该不应处理：实际应用中看到不少人喜欢把图像进行平滑、滤波、亮度对比度拉伸，翻来覆盖调参数，到底有没有必要。实际上采集设备决定了图像质量，人眼看起来清晰实际算法分类效果不必定好。
- 识别类别分类讨论，有些识别应用类别数量能够自定义，类别数量越少越好，好比你能够先作二分类，区分目标仍是非目标，而后在目标类作多分类。
- 识别样本丰富性处理：不少应用你取不到特别多的样本，覆盖不了全部的状况，而且样本之间的均衡性也很难平衡。常见的状况确定是出现最多的，样本是最多的，还有可能某类样本数是最多的，另外一类别下的样本数也是比较少的。实际项目其实时间花的最多的就是在那20%-30%的状况下作边界处理占了项目90%的时间。咱们须要尽量的保证样本的均衡性，采样时候各类状况尽量包含，每类别下的样本数量尽可能均衡。某类样本数量不够能够采集图像处理增长样本量，经常使用的有分割的时候上下左右平移，图像拉伸，滤波等。
实际应用中的逻辑问题修复
- 检测识别完成并不等于项目OK了，实际应用可能出现漏记错误，须要修复。举例：上图的识别，若是最后两位识别成20或者39，对于识别来讲是没有问题的，但是对于项目来讲就错了。下面是最明显的逻辑错误，正确应该是00100或者00099均可以。
- 逻辑修复，分析可知通常是在9调到0的时候因为机械转盘延迟致使图像出现半字，这时候根据有些出现上9下0进行一个virify_result的处理，完美解决问题。
DEMO下载（只提供早期版本的demo供参考，最新版本因为商业缘由暂不提供。）
http://www.pudn.com/downloads742/sourcecode/math/detail2959559.htmlweb