Digit Number Recognition

去年十二月写了一段针对仪表的数字识别代码，功能比较简单，现总结一下其中的过程。
分别用模板匹配和神经网络实现了识别过程，其中模板匹配算法借鉴了茅老师的idea。
template match ：
image[in] => rgb2gray -> segment(ostu) -> find digits(flood) -> normalize -> NN or Correlation => recognized digits[out]

neuronetwork :
image[in] => rgb2gray -> segment(ostu) -> binary -> find digits(projection) -> normalize ROI -> skeletonize -> generate features(top, bottom, right, left, width, height) -> normalize feature -> BP network(3 layers) => recognized digits[out]

训练与识别过程类似。
template方法比较简单，而且在实际操作中发现识别准确率也比较高，事实上对于固定的摄像机位置和固定形状的数字，模板与实际提取出来的数字不会有太大的差别，因此效果好，速度快，比较适合仪表数字识别应用。
神经网络方法有些复杂，我参考的是一个手写数字识别算法，识别效果也可以，但ANN的参数比较难调，最终选择96-192-10的3层BP网络。在调BP时也遇到了一些问题，训练BP时很多次迭代后RMS老是不能收敛到比较小的值，仔细读了pattern classification中关于ANN的介绍，明白了一些数据处理要求，如训练数据归一化，S函数选择技巧等，实践一下后，效果确实好了些。利用十个样本(0~9)进行监督学习，然后在线识别，效果不如template方法，但也是不错的。猜想使用更多样本学习后，可能效果会更好(有待实验证实)。

这样的小工程还是挺有意思的，前后也就用了两个星期，练练手，不错的。c++代码也写得也还满意，factory模式，支持xml配置文件读写，cross platform(linux, windows)，在windows上做了个Demo：一个数字仪表模拟器，一个USB摄像头视频捕捉和在线识别Demo(这些灵感也来自于茅老师，看过他们的电路实验:)，下面是Demo截图：

一些说明：左图为数字发生器，模拟LED数字，可以定时随机生成，右图为视频采集与在线实时识别Demo，识别前先要手动选择数字区域，固定好位置后就能实时识别了。