【机器学习】基于K-近邻的车牌号识别

本文介绍: 图像的智能处理一直是人工智能领域广受关注的一类技术，代表性的如人脸识别与 CT 肿瘤识别，在人工智能落地的进程中发挥着重要作用。其中车牌号识别作为一个早期应用场景，已经融入日常生活中，为我们提供了诸多便利，在各地的停车场和出入口都能看到它的身影。车牌号识别往往分为字符划分和字符识别两个子任务，本案例我们将关注字符识别的任务，尝试用 K-NN 的方法对分割好的字符图像进行自动识别和转化。

manhattan:曼哈顿距离，又称城市街区距离，它的计算方式有点类似于只能90度拐角的街道长度。

D(x,y)=sum_i=1^k|x_i-y_i| D(x,y)=i∑​=1k∣xi​−yi​∣

chebyshev:chebyshev距离是两个数值向量在单个维度上绝对值差值最大的那个值。

D(x,y)=text{max}_i(|x_i-y_i|) D(x,y)=maxi​(∣xi​−yi​∣)

metrics = ['minkowski', 'euclidean', 'manhattan', 'chebyshev' ]
acc_list = []

for metric in metrics:  # 遍历距离度量类型
    model = KNeighborsClassifier(metric = metric)
    model.fit(x_train, y_train)  # 记录训练数据
    p_test = model.predict(x_test)  # 预测测试图片
    accuracy = accuracy_score(p_test, y_test)  # 计算准确率
    acc_list.append(accuracy)
    print('metric: {}, accuracy: {:<.4f}'.format(metric, accuracy))

结果：

metric: minkowski, accuracy: 0.6969
metric: euclidean, accuracy: 0.6969
metric: manhattan, accuracy: 0.6920
metric: chebyshev, accuracy: 0.4090

绘制柱状图，可视化表示：

plt.bar(metrics, acc_list)  # 画图
plt.show()

请添加图片描述

由上图可见，minkowski, euclidean, manhattan三种举例向量效果类似， chebyshev效果明显较差。

weights = ['uniform', 'distance']
acc_list = []

for weight in weights:
    model = KNeighborsClassifier(weights = weight)
    model.fit(x_train, y_train)  # 记录训练数据
    p_test = model.predict(x_test)  # 预测测试图片
    accuracy = accuracy_score(p_test, y_test)  # 计算准确率
    acc_list.append(accuracy)
    print('metric: {}, accuracy: {:<.4f}'.format(metric, accuracy))

结果：

metric: chebyshev, accuracy: 0.6969
metric: chebyshev, accuracy: 0.7016

plt.bar(weights, acc_list)  # 画图
plt.show()

train_range = [1, 5, 10, 20, 50, 100, 200, 400, 600]
acc_lst = list()

for train_num in train_range:
    x_train, y_train = readFile(path_train, train_num)
    model = KNeighborsClassifier()
    model.fit(x_train, y_train)
    p_test = model.predict(x_test)
    accuracy = accuracy_score(p_test, y_test)
    acc_lst.append(accuracy)
    print('train: {}, accuracy: {:<.4f}'.format(train_num, accuracy))

train: 1, accuracy: 0.1972
train: 5, accuracy: 0.4264
train: 10, accuracy: 0.5035
train: 20, accuracy: 0.5906
train: 50, accuracy: 0.6568
train: 100, accuracy: 0.6707
train: 200, accuracy: 0.7005
train: 400, accuracy: 0.7065
train: 600, accuracy: 0.7025

plt.plot(train_range, acc_lst)
plt.xlabel('train')
plt.ylabel('Accuracy')
plt.show()

显示所有内容

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。

字符识别识别车牌号

5.3 平均和加权KNN的区别

5.4 训练集大小对模型效果的影响

发表回复取消回复

5.3 平均和加权KNN的区别

5.4 训练集大小对模型效果的影响

相关文章

发表回复 取消回复

发表回复取消回复