首先，本篇文章用到的方法是模板匹配，而不是基于神经网络的，还请各位注意了！（模板匹配还请自行了解，站上有很多介绍）我刚开始做实验的时候只有一点c++基础，对于文件和opencv我一点都不了解，所以导致了我刚开始迷茫了很久，直到后来才渐渐做起来。废话不多说，让我们开始吧！

过程很简单，如下：

匹配成功：存在一个最小距离（这些距离相等），且为一个数字；存在多个最小距离，且为同一个数字。

拒绝识别：存在多个最小距离，且为不同数字。

识别错误：存在一个最小距离，但与被测数字不是相同的数字。

也许乍一看看不明白，我在这里解释一下，明白的可以绕过。我们这里假设1，2，3（注意，他们的样本都有多个）为训练集，d为测试样本。匹配时匹配到d与1距离最小且只与1距离最小，（可能与多个1的样本距离最小或者只有一个）那么匹配成功；匹配时匹配到d与1和2的某个样本都有最小距离，那么拒绝匹配；匹配时匹配到d（假如d是1的样本）与2有最小距离，那么识别错误。

因为图片处理不是本文章的主要内容，我们跳过图像处理步骤（有兴趣的可以去看图像处理这门课），直接给处理好的图片。那么我们该如何构建训练库，又该如何让计算机能够识别我们的图片呢？接下来我们来看看如何实现构建训练库。

我的实验中有1000张训练样本（200张测试样本），既然要让计算机能够识别，那当然是把图片数字化。在图像处理的步骤里，我们得到的训练样本都是28*28像素点的图片，可以想到28*28是一个不小的数量，为了提高处理速度，我们把图片压缩成7*7大小的，这样即提高了处理速度，也方便我们写代码，因为7*7和4*4都是正方形。如下图：

压缩图片：我们纵向遍历7*7的方格，将里面像素大于127的小格子进行计数，当其数量超过6（有的同学会觉得应该是8，因为8是一半，但是8最终得到的正确率太低了，所以我找了一个合适的参数）我们就把大格子对应的7*7的二维数组的相应位置设置为1，反之为0；然后再将数组转换成字符串，这样下来我们就会得到一个长度为49的字符串，这个字符串就是我们计算机匹配的核心。

另外，我是先把训练集和测试集分别数据化，再依次取出来作比较。也可以采用一边遍历测试集和处理，一遍作比较，我没有输出文件名，因为我采用的方式比较笨，代码量也很多，主要是因为我之前写完之后有很多bug，导致我不能成功运行，所以我采用这种简单代码来避免错误，小伙伴们大可不必用这种方式！

值得注意的是，文件流的打开和关闭的时机也会很大程度上影响代码运行，这个问题困扰了我很久，希望大家引以为戒，代码中具体位置我已经标出来了。（标***的位置）另外，大家对于读文件写文件的文件流自己去了解，读文件是ofstream，写文件是ifstream，每次访问文件都要打开文件和关闭文件。getline函数每次依次取一行数据，所以我们在遍历完一个文档之前不会关闭文档，也就不会再打开文档。

最后我对我字符串比较做一个解释，我是采用了一个标志refused来标志当前字符串有没有被拒绝识别，当发现相似度（代码中用total表示的）小于49的就把它赋值给相似度，并且把拒绝识别设置为假，直到找到最小的，当找到最小的之后又找到了另一个相同相似度的，则判断两个样本数字是不是相同的，不是的话就把refused设置为真，即在后面直接输出拒绝识别。

我判断两个样本是否为同一个数字是通过范围比对，简单地来说就是训练样本的第0——99个对应测试样本的第0——19个，这是一个偷懒的办法，我没时间改代码了所以就这样代替了别人那种文本带文件名的。（带文件名比对时还需要去文件名）

其他的解释我放在代码里，有助于大家更直接的理解！

#include<iostream>
#include<fstream>
#include<opencv2/opencv.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/core.hpp>
#include<io.h>                          //api和结构体
#include<string.h>
#include<string>
using namespace std;
using namespace cv;
void ergodicTest(string filename, string name);    //遍历函数
string Image_Compression(string imgpath);          //压缩图片并返回字符串
int distance(string str1, string str2);            //对比函数不一样的位数
void compare();
int turn(char a);
void main()
{
	const char* filepath = "E:\\learn\\vsfile\\c++project\\pictureData\\train-images";     
	ergodicTest(filepath,"train_num.txt");         //处理训练集
	const char* test_path= "E:\\learn\\vsfile\\c++project\\pictureData\\test-images";
	ergodicTest(test_path, "test_num.txt");
	compare();   
}
 
void ergodicTest(string filename,string name)       //遍历并把路径存到files
{
	string firstfilename = filename + "\\*.bmp";
	struct _finddata_t fileinfo;
	intptr_t handle;            //不能用long，因为精度问题会导致访问冲突,longlong也可
	string rout = "E:\\learn\\vsfile\\c++project\\pictureData\\" + name;
	ofstream file;
	file.open(rout, ios::out);
	handle = _findfirst(firstfilename.c_str(), &fileinfo);
	if ( _findfirst(firstfilename.c_str(), &fileinfo) != -1)
	{
		do
		{
			file << fileinfo.name << ":" << Image_Compression(filename + "\\" + fileinfo.name) << endl;
		} while (!_findnext(handle, &fileinfo));
		file.close();
		_findclose(handle);
	}
}
string Image_Compression(string imgpath)   //输入图片地址返回图片二值像素字符
{
	Mat Image = imread(imgpath);               //输入的图片
	cvtColor(Image, Image, COLOR_BGR2GRAY);
	int Matrix[28][28];                        //将digitization转化为字符串类型
	for (int row = 0; row < Image.rows; row++)  //把图片的像素点传给数组
		for (int col = 0; col < Image.cols; col++)
		{
			Matrix[row][col] = Image.at<uchar>(row, col);
		}
	string img_str = "";                   //用来存储结果字符串
	int x = 0, y = 0;
	for (int k = 1; k < 50; k++)
	{
		int total = 0;
		for (int q = 0; q < 4; q++)
			for (int p = 0; p < 4; p++)
				if (Matrix[x + q][y + p] > 127) total += 1;
		y = (y + 4) % 28;
		if (total >= 6) img_str += '1';    //将28*28的图片转化为7*7即压缩
		else img_str += '0';
		if (k % 7 == 0)
		{
			x += 4;
			y = 0;
		}
	}
	return img_str;
}
 
int distance(string str1, string str2)  //比对两个字符串有多少个不一样
{
	int counts=0;
	for (int i = 0; i < str1.length(); i++)
	{
		if (str1[i] == str2[i]) continue;
		else counts++; 
	}
	return counts;
}
int turn(char a)
{
	stringstream str;
	int f = 1;
	str << a;
	str >> f;
	str.clear();
	return f;
}
 
void compare()
{
	ifstream train_data;//建立读文件流
	ifstream test_data;
	string tmp1 = "";         //从train中取数据存在tmp1
	string tmp11 = "";
	string tmp2 = "";         //从test中取
	string tmp22 = "";
	bool refused = false; //拒绝识别标志
	int tr_num = 0;       //用来存储最小值的文件名(训练集)
	int num_refused = 0;   //拒绝识别个数
	int num_false = 0;     //识别错误个数
	int num_true = 0;      //正确识别个数
	test_data.open("E:\\learn\\vsfile\\c++project\\pictureData\\test_num.txt");
	for (int p = 0; p < 200; p++)
	{
		int total = 49;      //方便比大小，设置初值为49
		getline(test_data, tmp2);
		tmp22 = tmp2;    //在切割字符串之前保留，以便后面知晓该字符串是哪个数字的
		if(tmp2.length()==57) tmp2.erase(0,8); //erase函数是用来切割字符串的，这里是切割第0位的后面8位，存剩余的其他位
		else tmp2.erase(0,9);
		train_data.open("E:\\learn\\vsfile\\c++project\\pictureData\\train_num.txt");
		for (int j = 0; j < 1000; j++)         //一个测试样本和所有训练样本对比
		{
			getline(train_data, tmp1);
			tmp11 = tmp1;
			if (tmp1.length() == 57) tmp1.erase(0, 8);
			else tmp1.erase(0, 9);
			if (distance(tmp1, tmp2) < total)  //取最相近的
			{
				refused = false;   //拒绝识别被设置为否，即识别没有被拒绝
				total = distance(tmp1, tmp2);
				tr_num = turn(tmp11[0]);          //记录数字
			}
			else if(distance(tmp1, tmp2) == total && tr_num!= turn(tmp11[0]))  //发现相同相似度，且两者归属的数字不同
			{
				refused = true;   //拒绝识别
				continue;          //循环继续
			}	
		}
		train_data.close();
 
		if (!refused)
		{
			if (tr_num == turn(tmp22[0]))
			{
				//cout << tmp2[0] << endl;
				num_true++;
				cout << "识别为：" << tr_num << endl;
			}
			else
			{
				num_false++;
				cout << "识别错误！" << endl;
			}
		}
		else
		{
			num_refused++;
			cout << "拒绝识别！" << endl;
		}
	}
	test_data.close();
	double t = num_true / 200.0, f = num_false / 200.0, r = num_refused / 200.0;
	cout << "正确率为：" << t << endl;
	cout << "错误率为：" << f << endl;
	cout << "拒绝识别率为：" << r << endl;
}

代码中有很多//注释，都是我调试代码用的，不用管。

我把遍历文件夹的参考链接放在这里：//www.jb51.net/article/225454.htm

另外，如有错误欢迎大家指正！

以上就是C++编程模板匹配超详细的识别手写数字实现示例的详细内容，更多关于C++编程模板匹配识别手写数字的资料请关注海外IDC网其它相关文章！

【本文由：http://www.1234xp.com/cdn.html 提供,感谢支持】