趙顏妹 吳 濤 /上海工程技術(shù)大學(xué)航空運(yùn)輸學(xué)院

?

圖像識(shí)別中的智能算法應(yīng)用綜述

趙顏妹 吳 濤 /上海工程技術(shù)大學(xué)航空運(yùn)輸學(xué)院

【摘 要】本文從圖像識(shí)別中的數(shù)學(xué)問(wèn)題建模，圖像識(shí)別算法，以及深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用幾個(gè)方面進(jìn)行了綜述，分析了目前圖像識(shí)別中的較為典型的技術(shù)手段和應(yīng)用領(lǐng)域。

【關(guān)鍵詞】圖像識(shí)別；數(shù)學(xué)建模；分類算法；深度學(xué)習(xí)

引言

隨著微電子技術(shù)及計(jì)算機(jī)技術(shù)的蓬勃發(fā)展，圖像識(shí)別應(yīng)運(yùn)而生，圖像識(shí)別是研究用計(jì)算機(jī)代替人們自動(dòng)地去處理大量的物理信息，從而代替人的腦力勞動(dòng)。隨著計(jì)算機(jī)處理能力的不斷強(qiáng)大，圖像識(shí)別從最早的文字識(shí)別、數(shù)字識(shí)別逐漸發(fā)展到人臉識(shí)別、物體識(shí)別、場(chǎng)景識(shí)別、精細(xì)目標(biāo)識(shí)別等，所采用的技術(shù)也從最早的模板匹配、線性分類到廣泛使用的深層神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)分類等方法。

1.圖像識(shí)別中的數(shù)學(xué)問(wèn)題建模

1.1飛行器降落圖像智能識(shí)別建模

在復(fù)雜地形環(huán)境下，飛行器進(jìn)行下降過(guò)程，需要采集圖像并且判斷是否符合降落要求。在對(duì)飛行器進(jìn)行最終落地點(diǎn)的選擇時(shí)，如果降落點(diǎn)復(fù)雜程度較高，采集的圖像中將會(huì)產(chǎn)生大量的訓(xùn)練樣本數(shù)目，圖像配準(zhǔn)過(guò)程中，極大地增加了運(yùn)算量，造成最佳降落點(diǎn)選擇的準(zhǔn)確率降低。提出了利用圖像智能識(shí)別進(jìn)行最佳降落點(diǎn)的建模。利用偽Zemike矩能夠?qū)德潼c(diǎn)的圖像形狀進(jìn)行準(zhǔn)確的描述，利用Procrustes形狀分析法提取最佳降落點(diǎn)的特征，利用Rank的融合決策法最終實(shí)現(xiàn)最佳降落點(diǎn)選擇的目的。

1.2人臉面部表情圖像識(shí)別的隱馬爾科夫建模

人有喜怒哀樂(lè)，目前有一種利用隱馬爾科夫模型的建模方法，可以實(shí)現(xiàn)對(duì)人臉表情中的情感進(jìn)行識(shí)別。具體的是：首先，采用子窗口對(duì)人臉面部表情圖像進(jìn)行采樣，然后利用離散余弦變換提取所需要的特征向量，通過(guò)對(duì)人臉面部圖像進(jìn)行隱馬爾科夫建模，使用獲得的特征向量作為觀測(cè)向量對(duì)人臉面部圖像的隱馬爾科夫模型進(jìn)行訓(xùn)練，再使用訓(xùn)練后的隱馬爾科夫模型對(duì)JAFFE人臉圖像測(cè)試集中地人臉表情圖像進(jìn)行情感識(shí)別。

2.典型的圖像識(shí)別算法

2.1基于Gabor變換和極限學(xué)習(xí)機(jī)的貝類圖像種類識(shí)別

對(duì)貝類圖像進(jìn)行Gabor變換，提取其圖像特征，確定了圖像特征維數(shù)；采用2DPCA方法，對(duì)變換后的特征進(jìn)行降維，并利用極限學(xué)習(xí)機(jī)(ELM)進(jìn)行貝類圖像的分類識(shí)別。與BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，極限學(xué)習(xí)機(jī)分類器用于貝類識(shí)別不僅速度極快而且泛化性良好，算法具有較高的精度。其特點(diǎn)對(duì)高維圖像識(shí)別精確度高,但算法的復(fù)雜度和設(shè)計(jì)一個(gè)精確的分類器都顯得難以把握。因此該類圖像識(shí)別算法很難普遍推廣使用，識(shí)別對(duì)象必須是貝類圖像。

2.2利用公開(kāi)的全極化SAR數(shù)據(jù)，研究基于SAR圖像的檢測(cè)、極化分解和識(shí)別算法

首先根據(jù)四個(gè)線極化通道合成偽彩色圖像,從而對(duì)場(chǎng)景進(jìn)行初步認(rèn)知。利用一維距離像分析全極化各通道的信噪比強(qiáng)度,通過(guò)對(duì)目標(biāo)進(jìn)行Pauli分解得到目標(biāo)的奇次散射分量和偶次散射分量,從而完成對(duì)海雜波、建筑物和艦船的相干分量的研究。其特點(diǎn)過(guò)程簡(jiǎn)單易掌握，但識(shí)別對(duì)象有限。

2.3基于SVM的離線圖像目標(biāo)分類算法

基于SVM的離線圖像目標(biāo)分類算法，先對(duì)訓(xùn)練集預(yù)處理，然后將處理后的圖像進(jìn)行梯度直方圖提取最后對(duì)圖像目標(biāo)的分離器進(jìn)行檢測(cè)，但是這種圖像識(shí)別算法只是有效，實(shí)用性不強(qiáng)。

3.深度學(xué)習(xí)在圖像識(shí)別的應(yīng)用

3.1Deep learning的原理

深度學(xué)習(xí)是一種模擬人腦的思考方式，通過(guò)建立類似人腦的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)數(shù)據(jù)的分析，即按照人類的思維做出先關(guān)解釋，形成方便人們理解的圖像、文字或者聲音。深度學(xué)習(xí)的重點(diǎn)是對(duì)模型的運(yùn)用，模型中需要的參數(shù)是通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)和分析中得到的。

深度學(xué)習(xí)有兩種類型：有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。學(xué)習(xí)模型根據(jù)學(xué)習(xí)框架的類型來(lái)確定。比如，卷積神經(jīng)網(wǎng)絡(luò)就是一種深度的監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，而深度置信網(wǎng)就是一種無(wú)監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型。

3.2深度學(xué)習(xí)的典型應(yīng)用

深度學(xué)習(xí)是如今計(jì)算機(jī)領(lǐng)域中的一個(gè)奪人眼球的技術(shù)。而在深度學(xué)習(xí)的模型中研究熱度最高的是卷積神經(jīng)網(wǎng)絡(luò)，它是一種能夠?qū)崿F(xiàn)大量圖像識(shí)別任務(wù)的技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)的核心思想是局部感受野、權(quán)值共享以及時(shí)間或空間亞采集。通常卷及神經(jīng)網(wǎng)絡(luò)使用最后一層全連接隱層的值作為對(duì)輸入樣本所提出的特征，通過(guò)外部數(shù)據(jù)進(jìn)行的有監(jiān)督學(xué)習(xí)，從而可以保證所得的特征具有較好的對(duì)類內(nèi)變化的不變性。

3.2.1基于深度學(xué)習(xí)特征的人臉識(shí)別方法。

卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別領(lǐng)域取得了較大突破，為了更加有效的解決復(fù)雜類內(nèi)變化條件下的小樣本人臉識(shí)別問(wèn)題，使用深度學(xué)習(xí)的方法來(lái)提取特征，與基于稀疏表示的方法結(jié)合起來(lái)，實(shí)驗(yàn)證明了深度學(xué)習(xí)所得的人臉特征具有很好的子空間特性，而且具有可遷移性以及對(duì)類內(nèi)變化的不變性。

3.2.2基于深度學(xué)習(xí)的盲文識(shí)別方法。

目前盲文識(shí)別系統(tǒng)存在識(shí)別率不高、圖片預(yù)處理較為復(fù)雜等問(wèn)題。針對(duì)這些問(wèn)題，利用深度模型堆疊去噪編碼器自動(dòng)、全面學(xué)習(xí)樣本深層次特征，避免人為手工選取特征存在的多種弊端，并用學(xué)習(xí)的特征作為神經(jīng)網(wǎng)絡(luò)的輸入，更大程度地避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)由于隨機(jī)選取初值而導(dǎo)致結(jié)果陷入局部極值的問(wèn)題。

3.2.3基于深度學(xué)習(xí)的手繪草圖識(shí)別。

目前的手繪草圖識(shí)別方法存在費(fèi)時(shí)費(fèi)力，較依賴于手工特征提取等問(wèn)題?；谏疃葘W(xué)習(xí)的手繪草圖識(shí)別方法根據(jù)手繪草圖時(shí)缺失顏色、紋理信息等特點(diǎn)，使用大尺寸的首層卷積核獲得更多的空間結(jié)構(gòu)信息，利用訓(xùn)練淺層模型獲得的模型參數(shù)來(lái)初始化深度模型對(duì)應(yīng)層的模型參數(shù)，以加快收斂，減少訓(xùn)練時(shí)長(zhǎng)，加入不改變特征大小的卷基層來(lái)加深網(wǎng)絡(luò)深度等方法實(shí)現(xiàn)減小錯(cuò)誤率。

4.結(jié)論

圖像識(shí)別是當(dāng)代人工智能的熱門(mén)研究方向，其應(yīng)用領(lǐng)域也是超乎人類想象的，相信通過(guò)技術(shù)的不斷創(chuàng)新，圖像識(shí)別技術(shù)會(huì)給人們的生活帶來(lái)智能化、個(gè)性化、全面化的服務(wù)。

參考文獻(xiàn)：

[1]穆靜，陳芳，王長(zhǎng)元.人臉面部表情圖像的隱馬爾科夫建模及情感識(shí)別[J].西安：西安工業(yè)大學(xué)學(xué)報(bào),2015（09）.

[2]楊靖堯,里紅杰,陶學(xué)恒.基于Gabor變換和極限學(xué)習(xí)機(jī)的貝類圖像種類識(shí)別[J].大連工業(yè)大學(xué)學(xué)報(bào),2013（04）.

[3]馬曉，張番棟，封舉富.基于深度學(xué)習(xí)特征的稀疏表示的人臉識(shí)別方法[J].智能系統(tǒng)學(xué)報(bào),2016（11）.

[4]趙鵬，王斐.基于深度學(xué)習(xí)的手繪草圖識(shí)別[J].四川大學(xué)學(xué)報(bào),2016（05）.

[5]王娜,萬(wàn)洪林,白成杰.基于SVM的離線圖像目標(biāo)分類算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2016（02）.

項(xiàng)目資助：

本文為上海工程技術(shù)大學(xué)資助的大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目《物流分揀中的破損件識(shí)別技術(shù)研究》（cx1508003）。

作者簡(jiǎn)介：

趙顏妹（1992.2-），女，本科在讀，上海工程技術(shù)大學(xué)航空運(yùn)輸學(xué)院，研究方向：民航信息管理與控制。