OPENCV数字识别（非手写数字/采用模板匹配）

这篇文章的重点在于 模板匹配 的使用。模板匹配是计算机视觉中的一项基本技术，它通过比对输入图像与模板图像的相似度，来进行目标识别。对于数字识别，特别是标准数字的识别，模板匹配非常有效。

请看效果：

文章结构

模板匹配的概念
如何裁剪图像以提高匹配精度
代码实现：数字识别
代码解析
总结与建议

模板匹配的概念

模板匹配是一种在图像中查找特定模板区域的方法。通过计算输入图像与多个模板的相似度，找到最匹配的区域。在数字识别中，这项技术通过将待识别的数字与一组模板数字进行比对，识别出最接近的数字。

如何裁剪图像以提高匹配精度

在使用模板匹配时，图像的预处理是至关重要的。裁剪掉不需要的部分，尤其是图像中可能干扰匹配的区域，可以大大提高匹配的精度。确保图像中只包含目标数字区域，从而提高识别准确率。

代码实现：数字识别

接下来，我会分享一段我用OpenCV实现的数字识别代码。这段代码利用了模板匹配的方式来识别标准数字。

python 复制代码

import cv2
import numpy as np
import os

# 数字模板匹配
def img_match(input_img, template_dict):
    """返回 (最佳匹配数字, 最大相似度)"""
    resized_img = cv2.resize(input_img, (32, 48), interpolation=cv2.INTER_LINEAR)
    max_val = 0.0
    best_num = -1
    for i in range(10):
        template = template_dict[i]
        result = cv2.matchTemplate(resized_img, template, cv2.TM_CCOEFF_NORMED)
        _, current_max, _, _ = cv2.minMaxLoc(result)
        if current_max > max_val:
            max_val = current_max
            best_num = i
    return best_num, max_val

# 加载数字模板
def load_templates(template_dir):
    template_dict = {}
    for i in range(10):
        template_path = os.path.join(template_dir, f"{i}.png")
        template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
        if template is not None:
            _, binary_template = cv2.threshold(template, 100, 255, cv2.THRESH_BINARY_INV)
            resized_template = cv2.resize(binary_template, (32, 48), interpolation=cv2.INTER_LINEAR)
            template_dict[i] = resized_template
    return template_dict

# 主函数
def main():
    # 加载数字模板
    template_dir = "G:/pycharm/projects/opencv/num/"  # 修改为你的模板路径
    template_dict = load_templates(template_dir)

    # 打开摄像头
    cap = cv2.VideoCapture(1)
    if not cap.isOpened():
        print("无法打开摄像头")
        return

    while True:
        ret, frame = cap.read()
        if not ret:
            break

        imgContour = frame.copy()
        imgGray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        imgBlur = cv2.GaussianBlur(imgGray, (7, 7), 1)
        _, imgThresh = cv2.threshold(imgBlur, 95, 255, cv2.THRESH_BINARY_INV)

        edges = cv2.Canny(imgBlur, 30, 150)
        imgCanny = cv2.bitwise_or(edges, imgThresh)
        kernel = np.ones((3, 3), np.uint8)
        imgCanny = cv2.morphologyEx(imgCanny, cv2.MORPH_CLOSE, kernel)

        contours, hierarchy = cv2.findContours(imgCanny, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

        for cnt in contours:
            area = cv2.contourArea(cnt)
            if area < 4500:  # 像素面积小，可认为是数字
                x, y, w, h = cv2.boundingRect(cnt)
                roi = imgCanny[y:y + h, x:x + w]
                if roi.size == 0:
                    continue
                num, score = img_match(roi, template_dict)
                if score > 0.6:
                    cv2.putText(imgContour, f"{num}", (x, y - 10),
                                cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)

        cv2.imshow("Processed", imgContour)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

代码解析

1. 数字模板匹配

img_match 函数负责执行模板匹配操作。它将输入的图像与预先加载的数字模板进行比对，计算出匹配度，并返回最佳匹配的数字和相似度。

2. 加载模板

load_templates 函数从指定路径加载数字模板，模板图像会经过二值化处理并调整到统一的尺寸，确保模板能够适应各种输入图像。

3. 图像预处理

在主函数中，我们首先通过摄像头读取图像，并进行一些常见的图像预处理操作，包括灰度化、模糊化和边缘检测。然后，我们使用 cv2.findContours 函数提取图像中的数字区域。

4. 匹配与识别

通过 img_match 函数对每一个数字区域进行模板匹配，若匹配的相似度大于设定的阈值（例如0.6），则将识别的数字显示在图像上。

总结与建议

通过模板匹配，我们能够快速、准确地识别标准数字，适用于数字识别的基础场景。对于更复杂的场景，如手写数字或不同字体的数字，可能需要更先进的算法，如深度学习模型。

希望这篇文章能够帮助你理解OpenCV中模板匹配的使用方法。如果你有任何问题或改进建议，欢迎在评论区留言讨论。