現在數字無處不在，無論是鬧鐘、健身追蹤器、條形碼還是包裝好了的送貨包裹。利用MNIST數據集，機器學習可用來讀取單個手寫數字。現在，我們可以將其擴展為讀取多個數字，如下所示。底層的神經網絡同時進行數字定位和數字檢測。這在很多實際環境中是非常有用的，例如讀取商店中的標簽，車牌，廣告等。

讀取多個數字

但是，為什么不直接使用OCR呢？OCR雖然可以自動檢測數字，但是效果并不總是很好，有時我們需要為特定任務訓練特定的神經網絡。

0.1數字檢測

數字檢測問題可分為2部分

數字查找

數字識別

數字查找：

數字可能出現在圖像的任何位置，要檢測到這些數字，我們首先需要查找包含這些數字的區域。這些數字可以有不同的大小和背景。

有多種檢測數字位置的方法。比如可以利用簡單的圖像形態學操作（例如二值化，腐蝕，膨脹）來提取圖像中的數字區域。但是，由于存在諸如閾值，內核大小等調整參數，因此這些處理方式不具有普遍性。此外我們還可以使用無監督特征檢測器，深度模型等。

數字識別：

確定好區域的數字即可進入數字識別的過程。MNIST數據集是用于手寫數字識別的規范數據集。大多數數據科學家已經對該數據集進行了實驗。它包含約60,000個用于培訓的手寫數字和10,000個用于測試的手寫數字。一些示例如下所示：

MNIST圖片

但是，現實生活中的數字通常大不相同。它們具有不同的顏色，通常按照以下情況打印。

日常數字圖像

另一個公共數據集SVHN-街景房數數據集。數據集包含從Google的街景中收集并帶有注釋的門牌號圖像。以下是SVHN的示例圖片：

SVHN圖片

該數據集在許多背景下都有各種數字組合，對于通用模型更合適。

02. Keras建模

我們選擇此基于SVHN位數檢測器來實現多位數檢測器。它寫得很好并且易于遵循。數字定位使用最大穩定的外部區域（MSER）方法完成，該方法用作穩定的特征檢測器。MSER主要用于圖像內的斑點檢測。斑點是像素的連續集合，其外邊界像素強度高于內邊界像素強度（給定閾值）。如果這些區域在強度變化量上變化不大，則可以說是最大穩定的。MSER的運行時復雜度較低，為O（nlog（log（n））），其中n是圖像上像素的總數。該算法對于模糊和縮放也很魯棒。這使其非常適合提取文本/數字。

使用具有卷積，maxpool和FC層的CNN來完成數字識別，這些層將每個檢測到的區域分類為10個不同的數字。分類器在測試集上的準確性達到95％。

我們通過各種示例對存儲庫進行了測試，發現它運行良好。請參閱上面共享的示例。

在某些間隙中，要么本地化器無法正常工作（未檢測到數字1的位置），要么檢測器發生故障（$被檢測為5）。

結論

我們希望該博客被證明是了解多位數檢測管道如何工作的良好起點。我們共享了一個github鏈接，該鏈接可用于在SVHN數據集上構建模型。如果此模型無法正常運行。大家可以收集自己的數據并微調已訓練的模型。

SVHN鏈接：https://github.com/penny4860/SVHN-deep-digit-detector

審核編輯 ：李倩