最近在做數字檢測與識別，主要檢測識別手機端的數字，裝置為樹莓派3。
我在樹莓派上安裝了tesseract-ocr，發現檢測數字的速度並不是很快，一串數字識別大概要3-400多毫秒，配上特定環境**檢測的話，至少要1s左右，這個速度要想達到實時檢測是不可能的，因為要想用攝像頭達到實時檢測的效果，每幀識別至少要低於40ms，所以完全不夠，最近用最簡單的深度學習方法識別，在樹莓派上，速度能達到2-3ms的速度！！不經感嘆，cnn真的厲害。當然這還不夠，因為這套演算法識別，在手機上很受外部環境的干擾，比如關照，除非你在乙個黑盒子，或者晚上來做檢測。
這裡先說一下識別達到的效果，比如手機上固定位置的一串數字，識別到了，樹莓派上gpio能做出響應，這樣就能在手機上實現一些監測功能。
**和效果圖稍後更新。。。。。
樓主正在做另一種方法，避免關照的干擾，**和效果圖可能會更新晚一點。有興趣做數字檢測的同學可以一起交流。
部分**
string modeltxt = "./lenet_train_test.prototxt";
string modelbin = "./lenet_solver_iter_10000.caffemodel";
//read image
dnn::net net;
try
catch (cv::exception &ee)
} //imshow("camera-demo", frame);
blur(frame, frame, size(3, 3));
cvtcolor(frame, gray_image, cv_bgr2gray);
equalizehist(gray_image, gray_image);
//rect first = selectroi("test iamge", gray_image);
//mat roi = gray(rect(first.x, first.y, first.width, first.height));
threshold(gray_image, result, 0, 255, thresh_binary | thresh_otsu);
imshow("gray_image", result);
char c = waitkey(30);
if (c == 27)
vector> contours;
vectorhierarchy;
//cout << "contours" << contours.size() << endl;
for (int i = 0; i < contours.size(); i++)
}
Pelee 移動端實時檢測Backbone
在imagenet資料集上，peleenet只有mobilenet模型的66 並且比mobilenet精度更高。peleenet作為backbone實現ssd能夠在voc2007資料集上達到76.4 的map。文章總體上參考densenet的設計思路，提出了三個核心模組進行改進，有一定參考價值。pe...
移動端證件識別
原來執行在pc上的資訊系統 如郵件系統 即時通訊 網頁瀏覽 協同辦公 網路購物 社交 部落格等 逐漸轉移到智慧型手機裝置上。1 識別率高，識別速度快 身份證識別率高達98 識別速度小於1秒 光照，拍攝時注意光照的影響，盡量避免反光和黑影 角度，不要使拍攝角度傾斜過大，以免造成影象嚴重變型 背景，少留...
5移動端人臉識別 移動端人臉活體識別技術
移動端人臉活體識別技術技術主要分為兩部分 第一部為前端人臉活體檢測技術，主要支援android ios平台，在前端通過眨眼 張嘴 搖頭 點頭等組合動作，確保操作的為真實活體人臉。第二部為後台移動端人臉活體識別技術，該環節通過在活體檢測技術環節取得整張人臉影象後，再通過掃瞄識別身份證，取到身份證頭像後...