目前这个案例的效果特别不好，而且只能识别字母和数字 

一、Demo运行

        打开上篇中的OpenCV内容，找到Demo，再找到OCR.Alphabet这个Demo，双击进入Scene。

运行，你会发现这个检测结果太棒了。

 二、代码解读

        在这里代码就不发了，解读一下整体的逻辑关系。

1.AlphabetOCRScene（挂载在RawImage上）

         它有两个输入，一个是测试图片，另一个是已经训练好的knn模型。如下

public UnityEngine.Texture2D texture;
public UnityEngine.TextAsset model;

        主要是依靠AlphabetOCR这个类实现检测，创建这个类需要输入模型的bytes。因此模型文件原本格式是xml，在Unity里需要把xml后缀名改成bytes，然后拖动到Model栏里。

2.AlphabetOCR

        它需要Model才能成功创建，因为OCRHMMDecoder的创建需要xml文件路径，为了能在安卓设备里使用OpenCV插件作者特意写了，一段转换函数，将bytes转换成xml文件加载，当初差点没看懂这个是干啥的。如下

public AlphabetOCR(byte[] model)
		{
			// use temporary file as OpenCV::Contrib::Text doesn not have in-memory reading functions
			string folder = UnityEngine.Application.persistentDataPath;
			string filename = null;
			while (null == filename || System.IO.File.Exists(System.IO.Path.Combine(folder, filename)))
				filename = System.IO.Path.GetRandomFileName() + ".xml";

			// flush
			var tempFile = System.IO.Path.Combine(folder, filename);
			System.IO.File.WriteAllBytes(tempFile, model);

			// read classifier callback and clean file
			ocr = new OCRHMMDecoder.ClassifierCallback(tempFile, CvText.OCRClassifierType.KNN);
			System.IO.File.Delete(tempFile);
		}

        创建成功后，首先对图像进行灰度、滤波、二值化、找文字轮廓、获取RotatedRect、分割图像、矫正、最后进行分类检测。大致流程如下

const string vocabulary = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789";

int[] classes;//类别
double[] confidences;//准确度
OCRHMMDecoder.ClassifierCallback ocr = null;
ocr = new OCRHMMDecoder.ClassifierCallback(tempFile, CvText.OCRClassifierType.KNN);
ocr.Eval(二值化分割后图像, out classes, out confidences);
// process
if (confidences.Length > 0)
{
	var unit = new RecognizedLetter();
	unit.Data = vocabulary[classes[0]].ToString();
	unit.Confidence = confidences[0];
	
}