自制手写数字程序密码锁

好久之前写的，一直没有发，现在整理一下发布了。

这是和我的第一篇MNIST数字手写识别的进阶，其实数字手写密码锁是17年五六月份左右的我们小组应该做的小组任务，但是带我们任务的学长比较忙，也由于其他原因，我们小组内没有人真正完成手写数字密码锁，只是实现了用kNN进行手写数字识别，关键是用kNN还没办法保存参数……后来断断续续开始学习深度学习，走了不少弯路，后来看了一部分吴恩达的视频，至今也就才算是摸到门槛。下面是我用单层的神经网络进行手写数字分类的代码，最近一周写的，快要考试了，越到考试我越浪……

本人是学自动化的，程序主要是面向过程，编写代码的质量也不高，请见谅！大神请另寻他路……

我的程序分为三个文件来写，一个文件是用openCV进行鼠标写数字，只做了一个很小的数据集，600张训练图片，30张测试图片。以下是用openCV进行鼠标写数字的代码，很简单，需要对openCV有一定了解，在此不进行详解。

import numpy as np
import cv2
drawing=False
def drawCircle(event,x,y,flags,param):global drawingif event==cv2.EVENT_LBUTTONDOWN:drawing=Trueif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:if drawing == True:cv2.circle(img,(x,y),10,(0,0,0),-1)elif event==cv2.EVENT_LBUTTONUP:drawing=Falseimg=np.zeros((280,280,3),np.uint8)+255
cv2.namedWindow('Image')
cv2.setMouseCallback('Image',drawCircle)
n=int(input("Input n:"))#因为写图片的时候可能要写好几次，在这里我用n记录应该从第几个图片开始储存，需要手动输入
print("c->clear  s->save  q->quit")
while(True): # 在写数字的时候，我的第一个图片名编号设为了1，从数字0开始写，最好把第一个图片名编号设为0cv2.imshow('Image',img)# k=cv2.waitKey(1)&0xFFkey=cv2.waitKey(1)&0xFFif key==ord('s'):print("Saving...")cv2.imwrite(r"E:\WORK\Python3.6Files\openCV_about\pictures2\img"+str(n)+".png",img)print("img"+str(n)+" OK!")img=np.zeros((280,280,3),np.uint8)+255n+=1elif key==ord('q'):breakelif key==ord('c'):img = np.zeros((280, 280, 3), np.uint8) + 255else:pass

我用这个程序写了630张图片，600张用来训练，太少了，其实可以找人一起写呀~~~

下边是用Softmax激活函数进行分类的一个最简单的神经网络，目的其实就是得到参数。

import numpy as np
import cv2,re
from os import listdir
def savePicturesAndLabels(path):name_list=listdir(path)#这里我掉进了一个大坑，我以为读进去图片是按照顺序img1,img2,img3...来的，但是，不是……i=0                    #导致我一开始训练出来的测试正确率是百分之十左右，跟瞎蒙差不多......n=len(name_list)LAB=np.zeros([10,n],dtype=np.uint8)IMG=np.zeros([1225,n],dtype=np.uint8)labs=[]i=0for name in name_list:img_i=int(name[3:-4])#取文件名中的数字标签LAB[(img_i-1)%10,i]=1 #第i列（即第i个图片）的j(=(img_i-1)%10)行(j就是对应的数字标签)设置为1labs.append((img_i-1)%10)img=cv2.imread(path+"\\"+name,0)img2=cv2.pyrDown(cv2.pyrDown(cv2.pyrDown(img)))#由于我的图片原大小是280*280，所以我用了3次图像金字塔，把图img2[img2<127]=1                               #片大小缩小为35*35img2[img2>=127]=0  # one-hot处理img2.resize([1225,1])IMG[:,i]=img2[:,0]i+=1np.save("testIMG.npy",IMG)  #储存把图片处理后的矩阵，在分别储存训练集和测试集的矩阵的时候，直接执行两次本np.save("testLAB.npy",LAB)  #自定义函数，改一改文件名就可以啦，我是不是很懒…………np.save("testLabels.npy",np.array(labs)) #储存测试用的的标签[1,n] n=600if __name__=="__main__":X = np.load("trainIMG.npy")Y = np.load("trainLAB.npy")k = 10  # 分类数 0~9v = 1225 # 维度 35*35n = X.shape[1] # 样本数 600np.random.seed(13)#生成随机数种子w = np.random.random([k, v]) # w[10,1225]b = np.random.random([k, 1]) # b[10,1]r = 0.1

    #以下注释部分是训练的过程，训练的时候把注释去掉。# for t in range(3000):#     z = (np.dot(w, X) + b)n # z[10,600]=w[10,1225] x X[1225,600]#     sum_a = ((np.exp(z)).sum(axis=0)).reshape([1, n]) # sum_a[1,600]#     a = np.exp(z) / sum_a # a[10,600]=z[10,600]/sum_a[1,600]#     # print(a[:,0])#这一句话是用来观察训练效果的#     w =w+  r * np.dot(Y - a, X.T) / n # 根据反向传播计算出 w 和 b 的参数更新公式，用道一点点简单的高数知识#     b =b+  r * ((np.dot(Y - a, np.ones([n, 1]))).reshape(k, 1)) / n # # np.save("IMG_w.npy",w) # 训练完之后保存参数# np.save("IMG_b.npy",b)# tX=np.load("trainIMG.npy") # 这里后来注释掉了，因为一开始我需要测试训练集的训练效果# tY=np.load("trainLabels.npy")tX=np.load("testIMG.npy")#加载训练图片tY=np.load("testLabels.npy")#加载训练标签tn=tX.shape[1]W=np.load("IMG_W.npy")B=np.load("IMG_B.npy")Z = (np.dot(W, tX) + B)sum_A = ((np.exp(Z)).sum(axis=0)).reshape([1, tn])A = np.exp(Z) / sum_Apredict = []for i in range(tn):#print((np.where(A[:, i] == np.amax(A[:, i])))[0][0])predict.append((np.where(A[:, i] == np.amax(A[:, i])))[0][0])#找到每一列中最大值所在的位置，这样就能得到每# print(predict)                                                 #一个图片的测试结果了，仔细体会......errors = tY - np.array(predict) #这一步和下边的一步就是得到与正确标签不相等的错误结果标签errors[errors != 0] = 1         #这样就可以统计错误个数了print(np.where(errors[:]==1))errors_num = errors.sum()print("总测试数:", tn)print("错误个数:", errors_num)print("正确率:{}%".format(100 - 100 * errors_num / tn))

下边是主程序

# 其中一些图标或者矩阵数据文件我没有上传，可以根据自己写的数据制作
import numpy as np
import cv2
import easygui,re
from urllib import request
import urllib
drawing=False
import speech
def drawCircle(event,x,y,flags,param):global drawingif event==cv2.EVENT_LBUTTONDOWN:drawing=Trueif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:if drawing == True:cv2.circle(img,(x,y),10,(0,0,0),-1)elif event==cv2.EVENT_LBUTTONUP:drawing=Falsedef checkPassword(password):if password==[1,2,3,4]:return Trueelse:return False
def webSpider():url='http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=tupian'#这里没有写网址链接headers={'User-Agent': 'Chrome/63.0.3239.84','Connection': 'keep-alive'}req=request.Request(url=url,headers=headers)resp=request.urlopen(req)text=(resp.read()).decode('utf-8')cmpl=re.compile("http://\S+.jpg")jpg_urls=re.findall(cmpl,text)# keys_dic={}speech.say("即将浏览网站图片，请确保已经连接网络。")speech.say("按下 ESC 键退出程序，按下其他任意键浏览下一张图片！")speech.say("浏览过程中因网络问题可能会有卡顿，请等待程序响应！")for jpg_url in jpg_urls:try:request.urlretrieve(jpg_url,"E:\\Temp.jpg")current_jpg = cv2.imread("E:\\Temp.jpg")cv2.namedWindow("Temp.jpg",flags=cv2.WINDOW_AUTOSIZE) # WINDOW_NORMALcv2.imshow("Temp.jpg", cv2.pyrDown(current_jpg))# print("+++++++++++++++"+jpg_url)w_key=cv2.waitKey(0)if w_key==27:break# except urllib.error.HTTPError:except :# print("---------------"+jpg_url)passcv2.destroyAllWindows()
##    speech.say("浏览结束！")def customizedFunction():# print("Log in!")webSpider()if __name__=="__main__":# customizedFunction()# easygui.buttonbox(#     msg="Press:\nq-->Quit the programme.\ns-->Save the number.\nc-->Clear the image without saving.\nr-->Retype the password.",#     title='', choices=["OK!"])speech.say("按下“S”键确认当前输入的数字，按下 C 键清除当前画布，按下 R 键重新输入整个密码，按下 Q 键退出程序。")img = np.zeros((280, 280, 3), np.uint8) + 255cv2.namedWindow('Please input the password')cv2.setMouseCallback('Please input the password', drawCircle)W = np.load("IMG_W.npy")B = np.load("IMG_B.npy")# print("Press:\nq->quit the programme\ns->save and predict\nc->clear the image without saving ")password=[]while(True):cv2.imshow("Please input the password",img)key=cv2.waitKey(1)&0xFFif key==ord('s'):tX = cv2.pyrDown(cv2.pyrDown(cv2.pyrDown(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY))))tX[tX < 127] = 1tX[tX >= 127] = 0tX.resize([1225, 1])Z = (np.dot(W, tX) + B)sum_A = (np.exp(Z)).sum(axis=0)A = np.exp(Z) / sum_Apredict = (np.where(A == np.amax(A)))[0][0]# print(predict)speech.say(str(predict))password.append(predict)if len(password)==4:if checkPassword(password):cv2.destroyWindow("Please input the password")# easygui.buttonbox(msg="\n\n\t\t\t\t    密码正确！", title="提示", choices=[], image="right.gif")speech.say("密码正确！")breakelse:speech.say("密码错误！")response=easygui.buttonbox(msg="",title='',choices=["重新输入","退出"],)if response=="重新输入":password=[]elif response=="退出" or None:cv2.destroyWindow("Please input the password")exit()img = np.zeros((280, 280, 3), np.uint8) + 255elif key==ord('q'):cv2.destroyWindow("Please input the password")exit()elif key==ord('c'):img = np.zeros((280, 280, 3), np.uint8) + 255elif key==ord('r'):speech.say("重新输入密码。")# easygui.buttonbox(msg="",title='提示',choices='',image='ok.gif')img = np.zeros((280, 280, 3), np.uint8) + 255password=[]else:passif checkPassword(password):customizedFunction()else:exit()speech.say("感谢使用！")

程序就是这样，小试牛刀，没什么技术含量的东西，大神勿喷。
对于神经网络一点也不懂的同学，建议去看一看吴恩达老师在网易云课堂的视频。

自制手写数字程序密码锁相关推荐

【第一个深度学习模型应用-手写数字识别】
基于BP神经网络的手写数字识别报告基于BP神经网络的手写数字识别报告一.任务描述二.数据集来源三.方法 3.1 数据集处理方法 3.2.模型结构设计 3.3.模型算法四.实验 4.1.实验环 ...
图像识别技术解析：手写数字识别（一）
本文通过构建一个手写数字识别的程序来解析来自机器学习与深度学习的不同算法的特点,以及如何对识别效果进行改进. 一.如何构建一个手写数字识别程序首先可以考虑构建一个简单的页面用于用户输入,也就是前端: ...
opencl 加速 c语言程序_在AlveoU200加速卡上实现简单手写数字识别
最近实验室租了块xilinx家的AlveoU200加速卡,过去几天被这块板吸引了注意力.刚开始了解,做点什么来试试水呢?一想,可以把曾经学 @蔡宇杰大佬在pynq-z2上做的那个手写数字识别工程在这 ...
python识别数字程序_python实现识别手写数字 python图像识别算法
写在前面这一段的内容可以说是最难的一部分之一了,因为是识别图像,所以涉及到的算法会相比之前的来说比较困难,所以我尽量会讲得清楚一点. 而且因为在编写的过程中,把前面的一些逻辑也修改了一些,将其变得更 ...
PYQT5+CNN（TensorFlow-keras）做一个简单的手写数字识别PC端图形化小程序
目录前言一.功能介绍 1．画板识别 2．图片识别二.UI设计 1．整体设计思想 2．颜色设计 3．Logo 设计 4．按钮设计三.算法介绍 1．图片预处理 2．数字分割和显示 3．识别算法 4 ...
Python，OpenCV使用KNN来构建手写数字及字母识别OCR
Python,OpenCV使用KNN来构建手写数字及字母识别OCR 1. 原理 1.1 手写数字识别 1.2 字母识别 2. 源码 2.1 手写数字OCR 2.2 字母OCR 参考这篇博客将介绍如何 ...
PyTorch基础与简单应用：构建卷积神经网络实现MNIST手写数字分类
文章目录 (一) 问题描述 (二) 设计简要描述 (三) 程序清单 (四) 结果分析 (五) 调试报告 (六) 实验小结 (七) 参考资料 (一) 问题描述构建卷积神经网络实现MNIST手写数字分类 ...
全栈AI工程师指南，DIY一个识别手写数字的web应用
作者 | shadow chi 本文经授权转载自无界社区mixlab(ID:mix-lab) 网上大量教程都是教如何训练模型, 往往我们只学会了训练模型, 而实际应用的环节是缺失的. def AIF ...
教程 | 基于LSTM实现手写数字识别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达基于tensorflow,如何实现一个简单的循环神经网络,完成手写 ...

自制手写数字程序密码锁

自制手写数字程序密码锁相关推荐

最新文章

热门文章