1. 前言

文本识别早已经不是问题了，不过却不能直接应用于象棋棋子的识别，因为棋盘上的棋子是随机摆放上去的，不能保证棋子上的文字总是保持一个固定的角度。识别棋子的关键是找到具有“旋转不变性”的特征——无论棋子旋转多少度，其特征总是稳定的。

2. 图像的矩特征

矩是概率与统计中的一个概念，是随机变量的一种数字特征。如果把二维灰度图像视为有质量的平板，像素的灰度值ppp代表平板的密度，那么灰度图像就可以用二维灰度密度函数 p=f(x,y)p=f(x,y)p=f(x,y) 来表示。通过计算图像的零阶矩、一阶矩、二阶矩、三阶矩，即可获得被称为不变矩的七个高度浓缩的图像特征。不变矩具有平移、灰度、尺度、旋转不变性。

以下代码给出了计算图像不变矩的函数，基于OpenCV提供的两个函数实现，返回包含七个高度浓缩的图像特征的数组。因为图像不变矩的动态范围过大，默认返回的是不变矩的对数。

import cv2
import numpy as npdef humoments(img_gray, log=True):"""返回图像7个不变矩"""hu = cv2.HuMoments(cv2.moments(img_gray))[:,0]if log:hu = np.log(np.abs(hu))return hu

以下面四个角度的棋子“车”为例，不管角度如何，它们的不变矩具有很强的相关性。

-6.979, -21.904, -29.739, -28.555, -57.703, -39.707, -60.654
-6.945, -21.576, -29.658, -28.057, -57.050, -38.891, -57.633
-6.925, -21.083, -28.879, -27.764, -56.091, -38.464, -58.305
-6.978, -21.966, -29.773, -28.337, -57.442, -39.753, -58.575

3. 采集样本

选择不同角度、光照条件，对棋子拍照，不同照片上的棋子尽可能保持相同的尺寸。使用圆检测技术找到棋子，裁切、高斯模糊、二值化，通过旋转抖动生成多个样本，将其不变特征矩保存到样本集，其分类保存到标签集。最后，样本数据集保存成名为cchessman.npz的本地文件。

# -*- coding: utf-8 -*-import os
import cv2
from PIL import Image
import numpy as npdef humoments(img_gray, log=True):"""返回图像7个不变矩"""hu = cv2.HuMoments(cv2.moments(img_gray))[:,0]if log:hu = np.log(np.abs(hu))return hudef jitter(im_cv, theta):"""随机旋转和抖动，返回新的图像"""#theta = np.random.random()*360dx, dy = np.random.randint(0, 5, 2) - 2im_pil = Image.fromarray(im_cv)im_pil = im_pil.rotate(theta, translate=(dx, dy))im = np.array(im_pil)im[im==0] = 240im = np.where(im>128, 240, 15).astype(np.uint8)return imif __name__ == '__main__':# 定义一个96x96像素的掩码，用以滤除棋子周边的无效像素_mask = np.empty((96,96), dtype=np.bool)_mask.fill(False)for i in range(96):for j in range(96):if np.hypot((i-48), (j-48)) > 42:_mask[i,j] = Truetarget = list() # 分类结果集data = list() # 样本数据集chessman = ['车','马','炮','兵','卒','士','相','象','将','帅']files = [('res/ju.jpg', 0, 12),('res/ma.jpg', 1, 12),('res/pao.jpg', 2, 12),('res/bing.jpg', 3, 15),('res/zu.jpg', 4, 15),('res/shi.jpg', 5, 12),('res/rxiang.jpg', 6, 6),('res/bxiang.jpg', 7, 6),('res/jiang.jpg', 8, 3),('res/shuai.jpg', 9, 3)]for fn, idx, count in files:print('------------------------')print(fn)img = cv2.imread(fn)img_gray = cv2.imread(fn, cv2.IMREAD_GRAYSCALE)# 圆检测circles = cv2.HoughCircles(img_gray, cv2.HOUGH_GRADIENT, 1, 200, param1=100, param2=50, minRadius=90, maxRadius=140)circles = np.int_(np.around(circles))print(circles)for i, j, r in circles[0]:cv2.circle(img, (i, j), r, (0, 255, 0), 2)cv2.circle(img, (i, j), 2, (0, 0, 255), 3)piece = cv2.resize(img_gray[j-r:j+r, i-r:i+r], (96,96))piece[_mask] = 240piece = cv2.GaussianBlur(piece, (5,5), 0)piece = np.where(piece>128, 240, 15).astype(np.uint8)cv2.imwrite('res/chessman/%d_%d_%d.jpg'%(idx, i, j), piece)for theta in range(360):data.append(humoments(jitter(piece, theta)))target.append(idx)cv2.imshow('image', img)cv2.waitKey(0)cv2.destroyAllWindows()target = np.array(target)data = np.stack(data, axis=0)np.savez('cchessman.npz', target=target, data=data)

代码运行中，每处理一张图片，显式一次圆检测结果。如下图所示。

4. 模型训练

使用随机森林分类器，简单设置一下参数，就可以取得不错的训练效果。使用交叉验证的代码如下。

# -*- coding: utf-8 -*-import numpy as np
from sklearn.model_selection import cross_val_score, KFold
from sklearn.ensemble import RandomForestClassifierds = np.load('cchessman.npz')
X = ds['data']
y = ds['target']cv = KFold(n_splits=10, shuffle=True, random_state=0)
rfc = RandomForestClassifier()
rfc_scroe = cross_val_score(rfc, X, y, cv=cv)
print(rfc_scroe)
print(rfc_scroe.mean())

交叉验证结果显式，模型精度居然高达99.9%。

[1.         0.99971065 0.99971065 0.99971065 0.99971065 0.99942130.9994213  0.99971065 1.         0.9994213 ]
0.9996817129629629

5. 模型应用

新拍一张全家福，验证一下模型的泛化能力。

总共10个棋子，每个棋子随机旋转10次，生成100个测试样本。测试结果表明，准确率99%。

(34560, 7)
[[[ 534  756  119][ 468  412  128][ 208  640  128][1140  620  128][ 800  524  119][ 270  998  132][ 716  184  122][ 622 1106  123][1046  284  125][ 888  866  134]]]
['象', '象', '象', '象', '象', '象', '象', '象', '象', '象']
['卒', '卒', '卒', '卒', '卒', '卒', '卒', '卒', '卒', '卒']
['车', '车', '车', '车', '车', '车', '车', '士', '车', '车']
['马', '马', '马', '马', '炮', '马', '马', '马', '马', '马']
['相', '相', '相', '相', '相', '相', '相', '相', '相', '相']
['士', '士', '士', '士', '士', '士', '士', '士', '士', '士']
['将', '将', '将', '将', '将', '将', '将', '将', '将', '将']
['帅', '帅', '帅', '帅', '帅', '帅', '帅', '帅', '帅', '帅']
['兵', '兵', '兵', '兵', '兵', '兵', '兵', '兵', '兵', '兵']
['炮', '炮', '炮', '炮', '炮', '炮', '炮', '炮', '炮', '炮']

用机器学习的分类算法识别象棋棋子——兼论旋转不变性相关推荐

[Python从零到壹] 十四.机器学习之分类算法五万字总结全网首发（决策树、KNN、SVM、分类对比实验）
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
机器学习分类算法_达观数据：5分钟带你理解机器学习及分类算法
1.本文介绍内容:什么是机器学习,机器学习有哪些分类算法,分类算法之k-近邻,决策树,随机森林2.本文适合人群:本文通过通俗易懂的语言和例子介绍核心思想,不拽高大上的名词,适合于不懂机器学习的小白3. ...
机器学习5—分类算法之随机森林（Random Forest）
随机森林(Random Forest) 前言一.随机森林 1.什么是随机森林 2.随机森林的特点 3.随机森林的生成二.随机森林的函数模型三.随机森林算法实现 1.数据的读取 2.数据的清洗和填 ...
机器学习中分类算法的优缺点
决策树一. 决策树优点 1.决策树易于理解和解释,可以可视化分析,容易提取出规则. 2.可以同时处理标称型和数值型数据. 3.测试数据集时,运行速度比较快. 4.决策树可以很好的扩展到大型数据库中 ...
DNS通道检测国内学术界研究情况——研究方法：基于特征或者流量，使用机器学习决策树分类算法居多...
http://xuewen.cnki.net/DownloadArticle.aspx?filename=BMKJ201104017&dbtype=CJFD <浅析基于DNS协议的隐蔽通 ...
机器学习经典分类算法 —— C4.5算法（附python实现代码）
目录理论介绍什么是分类分类的步骤什么是决策树决策树归纳信息增益相关理论基础计算公式 ID3 C4.5 python实现参考资料理论介绍什么是分类分类属于机器学习中监督学习的一种 ...
15 分钟带你入门 sklearn 与机器学习（分类算法篇）
众所周知,Scikit-learn(以前称为scikits.learn)是一个用于Python编程语言的免费软件机器学习库.它具有各种分类,回归和聚类算法,包括支持向量机,随机森林,梯度增强,k-me ...
Sklearn 损失函数如何应用到_15 分钟带你入门 sklearn 与机器学习（分类算法篇）...
众所周知,Scikit-learn(以前称为scikits.learn)是一个用于Python编程语言的免费软件机器学习库.它具有各种分类,回归和聚类算法,包括支持向量机,随机森林,梯度增强,k-me ...
【机器学习】分类算法-K-近邻算法
目标说明K-近邻算法的距离公式说明K-近邻算法的超参数K值以及取值问题说明K-近邻算法的优缺点应用KNeighborsClassifier实现分类了解分类算法的评估标准准确率应用:Face ...

用机器学习的分类算法识别象棋棋子——兼论旋转不变性

文章目录