【发布时间】：2011-09-22 16:02:22
【问题描述】：
我在多个国家/地区拥有一组文件，例如（身份证明、驾驶执照和护照等），因此我需要将它们分别归类，然后我可以对任何新文件进行分类 - 不在我的集合中 -在同类中。
文档可能会旋转或移动或两者兼而有之。 同一类的两个文档的文档颜色可能不完全相同。
最好的算法是什么？
【问题讨论】：
标签： c# .net artificial-intelligence
【发布时间】：2011-09-22 16:02:22
【问题描述】：
问题不在于选择哪种分类算法，而是要了解分类问题中所有相关的隐藏维度。一旦您了解了所涉及的所有维度，您就可以使用任何一种分类算法来实现您想要的。
【讨论】：
-
您是对的，但您认为主要的维度是什么？我想到了直方图、纹理、大小和其他一些特征。你怎么看？
-
不幸的是，主要维度是问题空间的函数。我将从一组详尽的维度（我能想到的所有......）开始，并使用一些监督算法对其进行训练。然后我将在输入数据中引入随机变化并测量性能差异。
-
我建议使用图像处理食谱。这是一本非常好的初学者指南。 amazon.com/Image-Processing-Cookbook-processing-scientific/dp/…
正如其他人所提到的，这不是一个真正的分类问题。此外，由于您的项目可能会旋转、倾斜等，因此您确实应该对图像执行某种对象检测/特征分析。
我建议您查看perceptual hashing 或Speeded Up Robust Features (SURF)（如果您要处理大量旋转/倾斜，则更多是后者）。也就是说，我会将图像分解为无法识别的区域（例如，您将消除包含用户信息或他们的照片的区域）集中在具有大量匹配特征点的区域。
使用在特定 ID 类的所有实例中一致的区域，以便您的匹配分数更高，然后汇总您比较的所有部分以执行分类。
【讨论】：
分类算法有几十种，甚至上百种——基本上您要寻找的是聚类。
http://en.wikipedia.org/wiki/Cluster_analysis
要完成这项工作，您必须分析文档并将其归结为几个关键数字。这不一定是完美的集群才能工作。
因此，进行某种规范化（旋转所有文档以使文本是水平的）可能会很好，但也许不是。例如，如果一个关键分类号是基于整体颜色的——这对于任何轮换都是一样的。
【讨论】：
-
但是类是已知的，聚类是用来确定类的，据我所知！
-
您认为我应该从文件中收集哪些主要特征或关键数字？
-
与已知类类似：只测量已知和未知之间的距离。关键仍然是提出计算距离的参数。它是特定领域的，所以很难给出建议。如果不能旋转，则需要选择不考虑旋转的相同的东西。如果你可以旋转，那就更好了——OCR（例如 Tesseract）可以帮助你做到这一点（尝试所有四种旋转 0、90、180、270）——这给你最真实的词就是可能的词。如果您知道高度与宽度的比率（检查是否颠倒），您也许可以缩小范围。