王萌

摘? ?要：隨著科技的發(fā)展和變遷，人工智能這一概念逐漸進入了人們的視線。人工智能是一種模擬開發(fā)人的智能的理論技術方法。很多人對人工智的概念感到很陌生，其實這一概念的提出由來已久。最早，人工智能是由計算機技術分支而來。但是隨著時代科技發(fā)展，人工智能逐漸被大眾所接受，應用范圍逐漸變得廣泛，其中，在識別領域的應用極為重要。圖象識別系統是基于人工智能的一種重要技術。圖象識別系統作為人工智能應用的熱點技術，更為人們所知。文章也將對基于人工智能的景物識別算法展開研究。

關鍵詞：人工智能;景物;識別

基于人工智能的景物識別系統，并非是偶然出現的。其存在與發(fā)展是具有社會環(huán)境和歷史背景的?，F代社會環(huán)境復雜多變，在景物識別方面存在很多困難。也正是由于外界景物的復雜，導致人類肉眼識別存在難度。人工智能技術的應用則給景物識別技術帶來了新思路。

1? ? 基于人工智能的景物識別算法

隨著科技發(fā)展，人工智能已經成為順應時代發(fā)展需要所產生的產物。然而景物識別技術的應用并不簡單，其在實際應用中存在很大難度。景物識別技術一般在日常生活中應用比較廣泛，諸如無人駕駛、圖象檢索等（見圖1）。

景物識別技術基礎就是對于圖象的理解和應用。眾所周知，圖象的特征一般是顏色、紋理等。在眾多圖象特征中，顏色作為圖象最為直觀的特征，在人類認知中的應用也最為直接廣泛。這是由于景物顏色一般是與景物直接相關的。而紋理等特征則更多的是體現景物的動態(tài)變化效果，是景物的結構基礎，更多地體現了景物內在的屬性及其結構關系?，F代的景物識別算法基本也是基于顏色和紋理這兩大特點來實現的。人類肉眼進行識別有一定的難度，通過景物的特征能夠更好地實現對景物的靈活識別和分析。不僅如此，外界環(huán)境相比于室內，情況更為復雜多變，這就需要景物識別更加靈活，不能千篇一律。而基于人工智能的景物識別系統，其主要結構就是通過景物的顏色和紋理來進行識別。神經網絡作為景物識別的重要結構，在景物識別技術中發(fā)揮了重要作用。神經網絡并不是純網絡，而是多維立體網絡的集合。基于人工智能的景物識別技術中一大重點就是神經網絡[1]。

2? ? 顏色特征提取

對于人類肉眼對景物進行識別的重要特征就是通過顏色。顏色特征作為認識事物最為直觀的特征手段，在景物識別技術中也很受重視。顏色特征主要是描述景物的表面直觀特征。因此，對于景物顏色的提取是具有一定難度的，其依賴于對合適顏色空間的有效選取。對于常用的顏色空間選取，包括RGB空間，HSV空間等。RGB空間，相比于其他顏色空間，應用最為廣泛。RGB空間更能為人所接受認識的原因，主要在于其操作描述比較簡單，可行性高，并且適用于一般的標準化硬件。RGB空間所獨有的這些特征，有助于更高更快地進行顏色識別。而對于RGB空間而言，其并不能可以直觀認識。這就需要人們借助顏色直方圖，總以調查景物識別技術中的顏色特征分布。顏色直方圖作為一種幫助人們加深對顏色分布認識的手段，越來越多地被應用到在景物識別技術的應用研究中。顏色直方圖，相比于其他研究方法，最為突出的優(yōu)點，就是其能夠把顏色特征分布的研究簡單化。通過對顏色直方圖的應用，人們能夠更直觀地認識和了解景物顏色的分布。不僅如此，鑒于顏色直方圖其獨有的旋轉不變性和良好的尺度，其對于研究空間位置不變的圖象和固定難以分割圖像有良好作用。也正是由于顏色直方圖的獨有特點，使其在景物識別技術中應用極為廣泛。在顏色直方圖中，RGB空間圖像中3個分量，都可以形成其對應的顏色直方圖。雖然顏色直方圖本身是基于對RGB空間圖象的研究，但其RGB空間的各個分量取值范圍過大，導致顏色直方圖準數很多。如果單純利用顏色直方圖進行景物識別算法運算，其計算量之大是不可想象的，算法的計算精度就會有所下降，影響景物識別技術的應用。不僅如此，人類肉眼識別顏色圖像是有一定難度的，因此在運用景物識別算法進行計算時，無須進行細化計算。在運用景物識別算法進行計算前，可以對RGB分量進行量化，來減少顏色直方圖的集體結構復雜性，更好地進行景物識別技術的應用。

3? ? 紋理識別特征

紋理識別特征，作為與景物顏色特征同等重要的一大特征。紋理識別特征也是景物識別技術的重點特征。紋理識別特征相比于顏色特征，是一種整體全局的特征。紋理特征主要是人類通過觀察總結出來的圖象規(guī)律。紋理特征和顏色特征一樣，也是一種描繪景物表面的特征。但是不同的是，相比顏色特征，紋理特征也是一種獨特的統計特征。紋理特征作為景物識別技術的重要組成部分，其在降噪等方面都有很大優(yōu)勢。紋理特征的識別方法，相比顏色識別方法，有所不同，主要包括：統計法、結構法、基于模型的方法和信號處理方法。眾所周知，統計法多種多樣，其中最為典型的是灰度共生矩形這一方法?；叶裙采匦侮嚥⒉皇且粋€真的矩形方陣，而是一種矩形函數。與普通函數不同的是，這種矩形函數在景物識別技術中主要描述的是不同的角度和距離結構變化?；叶染匦魏瘮凳怯脕砻枋黾y理特征變化的一種重要手段。景物的紋理特征是由灰度矩形函數中空間的位置關系而體現的。因此，存在于函數的各個分量并不是相互獨立的，而是存在一定的灰度關系。紋理特征就是通過矩形函數的灰度之間的相關性，來幫助反映景物識別技術中的各類綜合信息。人類在對景物紋理特征進行研究時，一般也是通過灰度矩形方陣來進行研究。在景物圖像上具有一定距離的兩個像素之間，可以通過統計來得到一系列數據。

4? ? BP神經網絡分類器

基于景物圖像的顏色特征和紋理特征，人類研究出了BP神經網絡分類器。BP網絡分類器是一種基于多個變量的分類儀器。BP神經網絡相比于其他神經網絡，重點在于對 BP神經網絡的訓練分類。BP神經網絡并不能直接應用于景物識別技術，而是要經過一定的學習訓練。對BP神經網絡進行學習訓練的過程并不簡單，主要包括兩個階段，即正向傳播和反向傳播兩個階段。正向傳播，正常是由輸入層進入，最終由輸出層輸出，其過程當然并不僅是簡單的輸入輸出過程，而是包含了隱含層處理、權值計算等步驟。在正向傳播過程中，可以把前一層看作下一層的輸入層。也正是由于一層一層的輸入和輸出，才會產生數據的偏差。如果將輸出層的輸出數據信號，與期望的輸出數據信號進行對比，就可以發(fā)現二者是存在一定偏差的，這就意味著其產生了誤差。誤差產生會使信號被重新回流。信號回流的意義并不只是反向回流，而是其會對所經過的各層權值進行調整，從而提高其精度。正是信號的回流與精密調整，才使信號回流成為BP神經網絡訓練的必要步驟。BP神經網絡的權值調整也并不只是依靠其對期望數據與實際數據的比較分析，更依賴大量的樣本數據分析，也正是完備的BP神經網絡，才使景物識別技術得到了技術支撐[2]。

5? ? 結語

隨著時代與社會的發(fā)展，人工智能成為社會科技的一大發(fā)展趨勢。也正是人工智能的突飛猛進，使得景物識別技術得到了迅猛發(fā)展。景物識別技術一改過去人類用肉眼認識景物的方法，幫助人們更準確地對景物產生認知。景物識別計算算法，其依賴的景物顏色特征和紋理特征也受到更多人關注。本文主要對基于人工智能的景物識別算法結構進行了分析。

[參考文獻]

[1]張學工.模式識別[M].北京：清華大學出版社，2000.

[2]高程程，惠曉威.基于灰度共生矩陣紋理特征提取[J].計算機系統應用，2010（6）：195-198.