代码地址如下：
http://www.demodashi.com/demo/12966.html

记得把这几点描述好咯：代码实现过程 + 项目文件结构截图 + 演示效果

1.准备工作

1.1 训练集和测试集准备

1. 先将数据集手动划分成训练集和测试集，并分好类，比如第一类就放在文件夹名为0的文件夹下，第二类就是1，如此类推。

   当前程序只能处理10类以下车标，因为当前程序逻辑不支持10以上的数字识别（具体可以仔细看下代码）

所有训练集的图片放在train文件夹中，测试集放在test文件夹下。最终的文件树如下：

1. reCarlog是工程名，即Cardata和main.cpp同目录。
2. 测试集的类别数字和训练集的要一一对应。因为程序将要用它们作为分类依据。

1. 在 main.cpp目录下准备两个文件，trainpath.txt和testpath.txt，用以保存所有训练集和测试集图片的路径。程序需要这两个文件来读取训练集和测试集的图片。举例如下(trainpath.txt)

   ./Cardata/train/0/train_citroen1.jpg
   ./Cardata/train/0/train_citroen10.jpg
   ./Cardata/train/0/train_citroen100.jpg
   ./Cardata/train/0/train_citroen101.jpg

建议使用相对路径。
这样，当我们读取一张图片的时候，可以利用图片的路径名称，通过split调用确定该车标的类别（使用切分字符'/'，第4个值即类别（0，1，2，3，4...））

2.实现步骤

2.1 代码概览

代码很简单，就一个main.cpp文件。大致分为以下3块

• 全局变量：比如整理好的数据集，标签集，HOG特征向量
• 全局函数：模块划分，使得main函数不显得臃肿。
• 自定义网络类：myNeraulNetwork用于搭建简单BP网络和训练预测

2.2 运行流程

分3步：

1. 训练集装载
2. 定义网络+训练网络
3. 测试网络

2.2.1 训练集装载

全局变量设定：

#define N_SAMPLE 1000
#define F_NUM   1764
#define CLASSNUM 5
float Data[N_SAMPLE][F_NUM];      // 数据存放
float Label[N_SAMPLE][CLASSNUM]   // 标签存放

训练网络输入是两个二维矩阵，第一个矩阵是数据矩阵（第一维是样本个数N_SAMPLE,第二维是每个样本的特征向量是，宽度为F_NUM），第二个矩阵是标签矩阵，对应每个样本，都有一个类别标签，如果是第一类，则它的标签向量为1,0,0,0,0(本例是5维)。
这里主要提一下数据矩阵的第二维是怎么确定的。

每个样本的特征向量即每张图片的HOG特征。HOG特征是一个一维向量。

HOG特征维度确定

对于一张图片，使用一个滑动窗口以一定的步进滑动，分别获取每个窗口的特征值，是一般的人工图像特征提取方式。简单说下HOG特征的提取。
假设一张图片的维度是img_size=64x64，我们使用的滑动窗口大小为block_size=16x16,滑动步进stride=8x8，那么对一个这样的图像，能得到(64-8)/8 x (64-8)/8=7x7=49个窗口，对于每个窗口block，HOG特征细分为胞元cell_size=8x8。于是一个block就有2x2=4个胞元，每个胞元默认有9个特征值，所以在上述参数的情况下，HOG特征的维度为49x4x9=1764，这也是本工程的默认参数。

opencv自带HOG特征提取，img_size、block_size、stride和cell_size都需要自行设定，因此需要事先计算好特征维度，才能确定数据矩阵第二维的宽度。

装载过程

read trainpath.txt;   // 读取路径文件
for each trainImg in trainpath.txt :getHOG(trainImg)   // 获取HOG特征getLabel according to its path put its hog into Data[][]put its label into Label[][]

2.2.2 定义网络+训练网络

对opencv自带网络类进行了简单的封装，如下：

定义和使用代码里说的很清楚了，这里再提下两个构造函数：
带参数的构造函数使用网络参数文件名作为参数。可以直接使用训练好的网络参数文件直接初始化网络，而不需要initialNN。

2.2.3 测试网络

读取测试文件，输入网络，获得输出。

输入为每次一个图片，所以输入的二维矩阵为test[1][F_NUM]。myNerualNetwork().predict(img)获得一个预测值，可以跟实际值(分析文件路径名获得)做对比，得到分类正确率。

3.其他注意事项

• 使用宏定义来进行训练or测试
• Opencv的安装配置查看教程
• 还有其他问题可直接私戳

4.运行效果

基于Opencv自带BP网络的车标简易识别

代码地址如下：
http://www.demodashi.com/demo/12966.html

注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权