字符识别—01赛题理解"/>
计算机视觉入门CV之街道字符识别—01赛题理解
计算机视觉入门CV之街道字符识别—01赛题理解
- 赛题
- 赛题理解
- 1.赛题数据
- 2.数据标签
- 3.数据读取
- 思路分析
赛题
以计算机视觉中字符识别为背景,要求选手预测街道字符编码,这是一个典型的字符识别问题。
赛题理解
1.赛题数据
赛题数据来自Google街景图像中的门牌号数据集(The Street View House Numbers Dataset, SVHN),并根据一定方式采样得到比赛数据集。训练集数据包括3W张照片,验证集数据包括1W张照片,每张照片包括颜色图像和对应的编码类别和具体位置;为了保证比赛的公平性,测试集A包括4W张照片,测试集B包括4W张照片。
2.数据标签
对于训练数据每张图片将给出对于的编码标签,和具体的字符框的位置(训练集,测试集和验证集都给出字符位置),可用于模型训练:
字符的坐标具体如下所示:
注意:在比赛数据中,同一张图片可能包括一个和多个字符,因此在比赛数据的JSON标注中,会有两个字符的边框信息:
3.数据读取
import json
import numpy as np
import cv2
import matplotlib.pyplot as plttrain_json = json.load(open('E:\yjs\computer vision\street recognition/mchar_train.json'))# 数据标注处理
def parse_json(d):arr = np.array([d['top'], d['height'], d['left'], d['width'], d['label']]) #数据标注转化成数组arr = arr.astype(int)return arrimg = cv2.imread('E:\yjs\computer vision\street recognition/mchar_train/000000.png')
parse_json(train_json['000000.png']) ## 将json文件中的目标文件找出进行数据标注处理#可视化
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1) # Arr.shape[1]表示图片中元素的个数; +1是为了显示图片整体plt.imshow(img)
plt.xticks([]); plt.yticks([])for idx in range(arr.shape[1]):plt.subplot(1, arr.shape[1]+1, idx+2) # # 从第一个子图开始循环plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])'''此处是截取图片区域并显示:top(0) + height(1) = 图片的高度left(2) + width(3) = 图片的宽度'''plt.title(arr[4, idx])plt.xticks([]); plt.yticks([])
plt.show()
结果如下:
思路分析
赛题思路分析:赛题本质是分类问题,需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等,如下图所示。有的图片的字符个数为2,有的图片字符个数为3,有的图片字符个数为4。
即难点出现:对不定长字符进行识别。
参考思路如下:
1.简单入门思路:定长字符识别
可以将赛题抽象为一个定长字符识别问题,在赛题数据集中大部分图像中字符个数为2-4个,最多的字符 个数为6个。因此可以对于所有的图像都抽象为6个字符的识别问题,字符23填充为23XXXX,字符231填充为231XXX。
2.专业字符识别思路:不定长字符识别
在字符识别研究中,有特定的方法来解决此种不定长的字符识别问题,比较典型的有CRNN字符识别模型。
在本次赛题中给定的图像数据都比较规整,可以视为一个单词或者一个句子。
3.专业分类思路:检测再识别
在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置,因此可以首先将字符的位置进行识别,利用物体检测的思路完成。此种思路需要参赛选手构建字符检测模型,对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。
更多推荐
计算机视觉入门CV之街道字符识别—01赛题理解
发布评论