基于opencv和knn的摄像头数字识别简单代码

可以提供以下的参考代码：

import cv2
import numpy as np

# 读取训练数据
with np.load('datasets/mnist.npz') as data:
    train_samples = data['train_images']
    train_labels = data['train_labels']

# 创建KNN算法对象并训练
knn = cv2.ml.KNearest_create()
knn.train(train_samples, cv2.ml.ROW_SAMPLE, train_labels)

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取摄像头图像
    ret, frame = cap.read()

    # 转换为灰度图像
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

    # 进行二值化处理
    ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

    # 查找轮廓并获取数字图像
    contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        digit = thresh[y:y+h, x:x+w]
        digit_resized = cv2.resize(digit, (28, 28), interpolation=cv2.INTER_AREA)
        digit_vector = digit_resized.reshape((1, 28*28)).astype(np.float32)

        # 使用KNN算法进行预测
        _, result, _, _ = knn.findNearest(digit_vector, k=1)
        digit_prediction = int(result[0, 0])

        # 在图像上绘制结果
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
        cv2.putText(frame, str(digit_prediction), (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

    # 显示图像并等待退出
    cv2.imshow('digit recognition', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

上述代码可以实现从摄像头读取视频帧，通过KNN算法识别数字，并在图像上显示识别结果。具体方法是使用OpenCV的cv2.ml.KNearest_create()创建一个KNN分类器，然后使用train()方法进行训练，接着读取摄像头帧，将其转换为灰度图像并进行二值化处理，进而找到图像中数字的轮廓，将数字提取出并调整大小，最后使用训练好的KNN模型进行数字识别，将结果显示在图像上。