用opencv自己的库实现数字识别

要使用 OpenCV 实现数字识别，可以使用以下步骤：

1. 获取训练数据集：使用 MNIST 数据集（http://yann.lecun.com/exdb/mnist/）作为训练数据集，该数据集包含 60,000 个训练图像和 10,000 个测试图像，每个图像大小为 28x28 像素。

2. 预处理数据集：将图像转换为灰度图像，然后使用二值化技术将图像转换为黑白二值图像。

3. 训练模型：使用支持向量机（SVM）或卷积神经网络（CNN）等机器学习算法训练模型。对于 SVM 模型，可以使用 OpenCV 中的 ml 库中的 svm 类。对于 CNN 模型，可以使用 OpenCV 中的 dnn 库中的神经网络模块。

4. 测试模型：使用测试数据集对模型进行测试，并计算准确率和召回率等指标来评估模型的性能。

5. 应用模型：将训练好的模型应用于实际场景中，例如在摄像头捕获的图像中识别数字。

以下是一个使用 SVM 模型进行数字识别的示例代码：

import cv2
from sklearn import svm
from sklearn.externals import joblib

# 加载训练数据集
train_data = cv2.imread('train-images-idx3-ubyte', cv2.IMREAD_GRAYSCALE)
train_labels = cv2.imread('train-labels-idx1-ubyte', cv2.IMREAD_GRAYSCALE)

# 预处理数据集
train_data = cv2.threshold(train_data, 127, 255, cv2.THRESH_BINARY)[1]

# 训练模型
svm_model = svm.SVC(kernel='linear', C=1.0)
svm_model.fit(train_data, train_labels)

# 保存模型
joblib.dump(svm_model, 'svm_model.pkl')

# 加载测试数据集
test_data = cv2.imread('t10k-images-idx3-ubyte', cv2.IMREAD_GRAYSCALE)
test_labels = cv2.imread('t10k-labels-idx1-ubyte', cv2.IMREAD_GRAYSCALE)

# 预处理测试数据集
test_data = cv2.threshold(test_data, 127, 255, cv2.THRESH_BINARY)[1]

# 测试模型
accuracy = svm_model.score(test_data, test_labels)
print('SVM accuracy:', accuracy)

在这个示例中，我们首先使用 `cv2.imread` 函数加载训练数据集和测试数据集，然后使用 `cv2.threshold` 函数将图像转换为黑白二值图像。接下来，我们使用 `svm.SVC` 函数创建一个 SVM 模型，并使用 `fit` 函数对模型进行训练。最后，我们使用 `score` 函数计算模型在测试数据集上的准确率。

这只是一个简单的示例，你可以根据自己的需求和数据集来调整代码。