样本准备

准备三个文件夹   postdata 正样本   negdata 负样本  testdata 测试样本

所有样本 统一处理为灰度，尺寸 140*30

（文末提供一些样本，需要自取）

postdata： 准备了500个正样本  

negdata：准备了500个负样本

 testdata：准备了20个测试样本，车牌图片命名开头为1，非车牌开头0   用于读取标签计算准确率

训练模型

准备训练集

将读取的图片二维矩阵转为一维向量存入训练集 trainningMat      

得到训练集尺寸： （trainsample_num , 4200）    数据类型：float32

#训练集
trainningMat=[]

#读取正样本加入训练集
for root, dirs, files in os.walk("postdata",-1):
    post_num=len(files)
    for file in files:
        src = cv2.imread("postdata/" + file)
        #将每个样本以一维存入训练集
        Vect = np.zeros(4200)
        for i in range(140):
            for j in range(30):
                Vect[ 30 * i + j] = src[j][i][0]
        trainningMat.append(Vect)

#读取负样本加入训练集
for root, dirs, files in os.walk("negdata",-1):
    neg_num=len(files)
    for file in files:
        src = cv2.imread("negdata/" + file)
        Vect = np.zeros(4200)
        for i in range(140):
            for j in range(30):
                Vect[ 30 * i + j] = src[j][i][0]
        trainningMat.append(Vect)

trainningMat=np.array(trainningMat,dtype='float32')

准备标签

得到 label列表  尺寸： （trainsample_num , 1）  

#训练样本数
trainsample_num=len(trainningMat)

#训练标签
Labels = np.zeros((trainsample_num,1),np.int32)

#前post_num个样本(正样本)标签为1，后面的(负样本)标签为-1
for i in range(trainsample_num):
    if i<post_num:
        Labels[i][0]=1
    else:
        Labels[i][0]=-1

模型训练

svm = cv2.ml.SVM_create() #创建SVM model
#属性设置
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
#训练
result = svm.train(trainningMat,cv2.ml.ROW_SAMPLE,Labels)

#svm.save("svmtest.mat")

可以将模型存储为 svmtest.mat    

使用的时候直接加载无需再读取样本进行训练。

svm2 = cv2.ml.SVM_load("svmtest.mat")

测试

#读取测试样本
correct_count=0         #正确数
test_label=[]           #测试样本标签
testMat=[]              #测试集
for root, dirs, files in os.walk("testdata",-1):
    test_num=len(files)
    for file in files:
        src = cv2.imread("testdata/" + file)
        test_label.append(int(file[0]))    #读取并存入标签
        Vect = np.zeros(4752)
        for i in range(144):
            for j in range(33):
                Vect[ 33 * i + j] = src[j][i][0]
        testMat.append(Vect)

testMat=np.array(testMat,dtype='float32')

correct_count=0         #正确数
(par1,par2) = svm.predict(testMat)

for i in range(test_num):
    if  (par2[i][0]==1 and test_label[i]==1) or (par2[i][0]==-1 and test_label[i]==0):
        correct_count+=1

accuracy=correct_count/test_num
print("accuracy:",accuracy)

输出正确率

完整代码：

import cv2
import os
import numpy as np
#所有样本 统一处理为灰度，尺寸 140*30


#训练集
#将读取的图片二维矩阵转为一维向量存入训练集 trainningMat
#得到训练集尺寸： （trainsample_num , 4200）    数据类型：float32
trainningMat=[]

#读取正样本加入训练集
for root, dirs, files in os.walk("postdata",-1):
    post_num=len(files)
    for file in files:
        src = cv2.imread("postdata/" + file)
        #将每个样本以一维存入训练集
        Vect = np.zeros(4752)
        for i in range(144):
            for j in range(33):
                Vect[ 33 * i + j] = src[j][i][0]
        trainningMat.append(Vect)

#读取负样本加入训练集
for root, dirs, files in os.walk("negdata",-1):
    neg_num=len(files)
    for file in files:
        src = cv2.imread("negdata/" + file)
        Vect = np.zeros(4752)
        for i in range(144):
            for j in range(33):
                Vect[ 33 * i + j] = src[j][i][0]
        trainningMat.append(Vect)

trainningMat=np.array(trainningMat,dtype='float32')


#训练样本数
trainsample_num=len(trainningMat)

#训练标签
#得到 label列表  尺寸： （trainsample_num , 1）  
Labels = np.zeros((trainsample_num,1),np.int32)

#前post_num个样本(正样本)标签为1，后面的(负样本)标签为-1
for i in range(trainsample_num):
    if i<post_num:
        Labels[i][0]=1
    else:
        Labels[i][0]=-1




#读取测试样本

test_label=[]           #测试样本标签
testMat=[]              #测试集
for root, dirs, files in os.walk("testdata",-1):
    test_num=len(files)
    for file in files:
        src = cv2.imread("testdata/" + file)
        test_label.append(int(file[0]))    #读取并存入标签
        Vect = np.zeros(4752)
        for i in range(144):
            for j in range(33):
                Vect[ 33 * i + j] = src[j][i][0]
        testMat.append(Vect)
testMat=np.array(testMat,dtype='float32')


svm = cv2.ml.SVM_create() #创建SVM model
#属性设置
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.setC(0.01)
#训练
result = svm.train(trainningMat,cv2.ml.ROW_SAMPLE,Labels)

#svm.save("svmtest.mat")
#可以将模型存储，使用的时候直接加载无需再读取样本进行训练。

correct_count=0         #正确数
(par1,par2) = svm.predict(testMat)

for i in range(test_num):
    if  (par2[i][0]==1 and test_label[i]==1) or (par2[i][0]==-1 and test_label[i]==0):
        correct_count+=1

accuracy=correct_count/test_num
print("accuracy:",accuracy)

#用生成的模型测试
'''
import cv2
import os
import numpy as np

#读取测试样本
test_label=[]           #测试样本标签
testMat=[]              #测试集
for root, dirs, files in os.walk("testdata",-1):
    test_num=len(files)
    for file in files:
        src = cv2.imread("testdata/" + file)
        test_label.append(int(file[0]))    #读取并存入标签
        Vect = np.zeros(4752)
        for i in range(144):
            for j in range(33):
                Vect[ 33 * i + j] = src[j][i][0]
        testMat.append(Vect)

testMat=np.array(testMat,dtype='float32')

correct_count=0         #正确数
svm2 = cv2.ml.SVM_load("svmtest.mat")
(par1,par2) = svm2.predict(testMat)
for i in range(test_num):
    if  (par2[i][0]==1 and test_label[i]==1) or (par2[i][0]==-1 and test_label[i]==0):
        correct_count+=1

accuracy=correct_count/test_num
print("accuracy:",accuracy)
'''

百度了一些车辆图片截了车牌样本：

链接：https://pan.baidu.com/s/164Dt4t9VNdPO3jWQ4ghA2w 
提取码：hs6w 
 

给个赞么~？