Python 画像（数字）認識

Question

プログラミング、Python初心者です。
ビデオカメラでディスプレイを撮影した動画から特定の数字列（001と002等）がディスプレイに表示されていた時間をCSVファイルなどで出力したいと考えています。
例．001と002を検出したい場合
1s 001（001があった場合）
2s 002 （002があった場合）
3s 0 （どちらも表示されていない場合）

初心者ですのでとりあえず1つずつやろうと、まずはOpen CVでビデオを読み込み、フレーム数から計算して1秒毎の画像ファイルとして保存する事まではできました。（最終的には画像保存は必要なし）
次のステップとして、画像に特定の数字があるか判定させたいのですが、そもそも数字の認識がうまくいきません。試したのはTeseeract OCRの文字認識とOpen CVでカスケード分類器を自作してみました。（カスケード分類器は学習に使う写真が3枚と少なかったかもしれません）
認識前に画像の処理などは行っていません。
私のケースですと、どのように認識をさせるのがよろしいでしょうか？
よろしくお願い致します。
検出したい数字:背景は濃色、文字は白
環境:Windows10、Python3.8

Answer 1

想定している実施状況に何らかの「話が簡単になる要素」があるのか否か？
あるならそれを利用する（その状況に特化することとなるが）ことを考えてみては．

例えば，ほとんど何も条件を限定しないならば，

• ディスプレイをビデオカメラで撮影した動画であるが，カメラを固定しているわけでもないので

ディスプレイvsビデオカメラの位置姿勢関係はフレーム毎に激しく異なり得る．
時々でディスプレイは激しく見切れるし，
なんなら撮影者の気分次第で360度ぐるっとロール回転しつつ撮影したりする．

• ディスプレイへの表示も，ディスプレイ内のどこにどんな大きさでどんな角度で表示されるかも全く定まってはおらず，

数字のフォントもそのとき次第であり，何なら手書きだったりもする．

• 映像にはディスプレイでない領域＝背景　も写り込み，面倒なことにその背景に「001」「002」とかいう数値が無視できない確率で存在し得るのだが，本件ではこれを誤認してはならない．

• etc

と，いくらでも面倒な話を考えられますが，
おそらく，あなたがやろうとしていることには「これについてはこう決まっている/こんなケースは考慮せずともよい」という何かがあるハズ．

極端な話，
「撮影の際はカメラは固定されており，ディスプレイは常に映像内の特定の位置に写り続けている．
且つ，ディスプレイの数字表示も特定の位置に特定のフォントで表示される．」
みたいな状況であれば，ちょっとした「テンプレートとの比較」みたいな方向の処理で済むのかもしれませんし．

Comments

[nnn-yyy000777]

本件位置、フォントは固定となりますので、比較する処理を検討してみます。ご教示ありがとうございました。