本文利用560个（14个汉字，每字40）车牌汉字样本构成knn数据集，140个汉字样本作为测试集（每字10）；

总结：0、读取样本时先转为灰度图，通道数为1

           1、所用样本的宽高为28*28，将样本拉成28*28=784的向量，再塞进样本矩阵中（一个行数为样本总数600，列数为样本特征数784的矩阵），标签矩阵行数于样本矩阵行数必须相等，列数为1（600*1）

           2、样本和标签矩阵数据类型必须为CV_32F，且通道数要为1，否则会报错

           3、在构造标签矩阵时,尝试了下图中的方法，但标签矩阵内数据并不是目标数据（0或乱码），于是改用push_back的方法，输出矩阵正常

                                                                法一（有问题）

                                                                 法二（没问题）

标签矩阵输出结果：

预测结果与对应标签：

最终预测准确率为87%，测试样本只用了140，其中粤和陕正确识别率较低。

void MainWindow::knnTrain(cv::Mat &src,bool ChiMoe)
{

    using namespace std;
    using namespace cv;
    using namespace cv::ml;
    string province[15] = {"云","皖","苏","辽","闽","黑","京","川","沪","浙","湘","粤","陕","鲁"};
    Mat traindata,testData,trainlabel,testlabel;
    GenerateDataSet(traindata,testData,trainlabel,testlabel,ChiMoe);//生成训练和测试的数据和标签，具体实现见下文
    cout << format(testlabel,Formatter::FMT_NUMPY) << endl;//输出标签，开始时使用copyto函数构造标签矩阵，但是标签矩阵内数据都是0，改为push_back数据正常
    trainlabel.convertTo(trainlabel,CV_32FC1);//样本和标签需为CV_32F
    testlabel.convertTo(testlabel,CV_32FC1);
    //knn模型初始化
    cv::Ptr<cv::ml::KNearest> KNN = cv::ml::KNearest::create();
    KNN->setDefaultK(6);
    KNN->setIsClassifier(true);
    KNN->setAlgorithmType(cv::ml::KNearest::BRUTE_FORCE);
    KNN->train(traindata,cv::ml::ROW_SAMPLE,trainlabel);
    Mat result;
    KNN->findNearest(testData,6,result);
    int t=0,f=0;//记录正确与错误数量
    for(int i=0;i<140;++i){
       int predict = int(result.at<float>(i));
       int actual = int(testlabel.at<float>(i));
       if(predict==actual){
           qDebug() << "predict: " << predict << "actual: " << actual << "Y" << endl;
           t++;//正确识别数
       }
       else{
           qDebug() << "predict: " << predict << "actual: " << actual << "X" << endl;
           f++;//错误识别数
       }
    }
    qDebug() << "The Correct Rate:" << float(t)/float(140) << endl;//输出识别正确率

}

数据集生成函数：

void MainWindow::GenerateDataSet(cv::Mat &trainData, cv::Mat &testData, cv::Mat &trainLabel, cv::Mat &testLabel,bool ChiMode)
{
    using namespace std;
    using namespace cv;
    string province[14] = {"云","皖","苏","辽","闽","黑","京","川","沪","浙","湘","粤","陕","鲁"};
    Mat data,label;
    for(size_t i=0;i<14;++i){

        for(int j=1;j<=40;++j){
        string path = "/home/ghoson-x/Desktop/qt/CarImage/data2/train_28_28/";
        path.append(province[i]).append("/").append(province[i]).append("_").append((QString::number(j)).toStdString()).append(".jpg");
        Mat tmp = imread(path,IMREAD_GRAYSCALE);
        if(tmp.empty()){
            break;
        }
        tmp.convertTo(tmp,CV_32FC1);
        trainData.push_back(tmp.reshape(0,1));//图片拉成一条784的向量
        }
        Mat tmp_label = Mat::ones(40,1,CV_32FC1);//各样本数为40，总计600
        tmp_label = tmp_label * i;
        trainLabel.push_back(tmp_label);
        //生成测试标签
        for(int k=1;k<=10;++k){
            string path = "/home/ghoson-x/Desktop/qt/CarImage/data2/test_28_28/";
            path.append(province[i]).append("/").append(province[i]).append("_").append((QString::number(k)).toStdString()).append(".jpg");
            Mat tmp = imread(path,IMREAD_GRAYSCALE);
            if(tmp.empty()){
                break;
            }
            tmp.convertTo(tmp,CV_32FC1);
            testData.push_back(tmp.reshape(0,1));
        }
        Mat test_label = Mat::ones(10,1,CV_32FC1);
        test_label = test_label * i;
        cout << format(test_label,Formatter::FMT_NUMPY) << endl;
        testLabel.push_back(test_label);
    }

}