白 艷，郭艷輝

（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院，河南 鄭州 451100）

0 引 言

基于人工智能的圖像識別技術(shù)在交通領(lǐng)域、醫(yī)療領(lǐng)域、電力行業(yè)、智能支付、工農(nóng)業(yè)生產(chǎn)等方面都有廣泛的應(yīng)用，提高了人們的生活水平，推動了各個行業(yè)的創(chuàng)新發(fā)展，在智能化技術(shù)和計算機技術(shù)的支撐下，圖像識別和處理功能變得更加強大。

1 圖像識別技術(shù)基本原理

圖像識別是人工智能技術(shù)的核心組成部分。圖像識別技術(shù)的具體應(yīng)用是模擬人類眼睛的功能對所要識別對象的各類特征進行捕捉。圖像識別的重點是對圖像特征的判斷、掃描。例如，字母A的特征是一個突出的尖角，字幕O的特征是一個圓圈，字母Y是一個銳角。圖像識別技術(shù)在生活中的應(yīng)用比較常見。例如，在智能停車場中，利用掃描設(shè)備準確識別車牌號，對停進車輛和駛出車輛的車牌號進行識別，可以提高停車場管理的智能化水平和智能化程度。除了對外在突出特征進行識別外，圖像識別技術(shù)還可以對色彩、特殊信息進行識別，在識別過程中主要是對所識別對象突出的特征信息進行捕捉，也可以根據(jù)具體的場景和對應(yīng)的需求，對所要識別內(nèi)容的內(nèi)涵進行分析[1]。為了更加真實地模仿人眼識別圖像的原理，圖像識別技術(shù)需要不斷縮小與人眼識別圖像的效果差異，利用計算機系統(tǒng)，在遵循計算機掃描特征和原理的基礎(chǔ)上模擬人眼識別圖像的過程和人腦處理圖像信息的原理。

2 人工智能圖像識別技術(shù)的優(yōu)勢

2.1 智能化

圖像識別的智能化處理是基于人工智能圖像識別技術(shù)的最大優(yōu)勢，結(jié)合實際情況來看，相比傳統(tǒng)的圖像處理方法來說，利用人工智能圖像識別技術(shù)可以更加精確、直接地識別、分析和篩選圖像信息內(nèi)容，提高了分解結(jié)果的準確性。以目前應(yīng)用最為廣泛的人臉識別技術(shù)為例，利用人工智能圖像識別的智能識別技術(shù)，將實時采集到的人臉數(shù)據(jù)與數(shù)據(jù)庫中提前儲存的人臉數(shù)據(jù)信息進行對比，利用智能化的人臉識別技術(shù)提取人臉信息，將人臉信息轉(zhuǎn)化為數(shù)據(jù)信息用于安全識別的密碼設(shè)定，實時獲取的人臉數(shù)據(jù)信息與數(shù)據(jù)庫中預(yù)先儲存的人臉圖像信息相匹配時時完成人臉解鎖功能的設(shè)定，在手機人臉設(shè)備解鎖以及人臉識別智能支付等方面有著廣泛的應(yīng)用[2]。基于人工智能的圖像識別系統(tǒng)功能更加復(fù)雜，所要處理的信息量大，處理難度高，不僅能進行簡單的圖像識別，也能對圖像信息進行自動化處理，同時可以進行深入分析、研究、挖掘和對比，其智能化程度和龐大數(shù)據(jù)信息處理模式是傳統(tǒng)電腦處理圖像功能不具備的。

2.2 便捷化和實用性

便捷化和實用性也是基于人工智能圖像識別技術(shù)的優(yōu)勢。圖像識別技術(shù)的應(yīng)用范圍廣泛，應(yīng)用場景多樣，在人們生活、工作中比較常見，基于人工智能的圖像識別技術(shù)可以展現(xiàn)出其便捷性和實用性，在實際應(yīng)用過程中，不需要經(jīng)過復(fù)雜的圖像處理流程就能高效、快速地完成難度較大的數(shù)據(jù)處理任務(wù)。例如，現(xiàn)階段大力推廣的刷臉支付和刷臉開鎖功能，消費者無需使用密碼就可以完成支付和解鎖，這也是基于圖像識別技術(shù)發(fā)展而來的新型密保系統(tǒng)，相比傳統(tǒng)的密碼輸入方式，不僅具有便捷性和實用性，其保護功能的安全系數(shù)更高。

3 面向人工智能的圖像識別技術(shù)過程解析

3.1 預(yù)處理圖像數(shù)據(jù)

圖像預(yù)處理是智能化圖像識別技術(shù)的重中之重。圖像識別的準確度以及重要、關(guān)鍵圖像信息的識別、分析、對比的最終結(jié)果，都與圖像預(yù)處理階段的工作息息相關(guān)。圖像數(shù)據(jù)預(yù)處理是基于人工智能圖像識別技術(shù)應(yīng)用效果最為關(guān)鍵的環(huán)節(jié)。通過聯(lián)合圖像預(yù)處理技術(shù)和智能識別體系，可以及時、快速、準確、全面地掃描和捕捉所識別對象的特征，為后續(xù)圖像數(shù)據(jù)的處理以及相關(guān)功能的完成奠定基礎(chǔ)。利用預(yù)處理圖像技術(shù)，可以降低圖像識別的工作量和工作難度，縮短圖像識別所需的時間。圖像預(yù)處理技術(shù)應(yīng)用的關(guān)鍵點在于提高辨識效率，在具體應(yīng)用時要應(yīng)用降噪、去霧等工序，通過層層篩選將質(zhì)量不佳、應(yīng)用效果較差的圖像經(jīng)過綜合預(yù)處理的方式提高清晰度和辨識度[3]。

3.2 提取圖像典型特征

提取和選擇是圖像特征提取的關(guān)鍵工作任務(wù)。所要識別的目標(biāo)圖像有很多的特征點，不同的特征點對應(yīng)著具體的特征子集?？茖W(xué)合理地選擇和選用特征點，是提高圖像識別效果、保證最終識別結(jié)果準確度和完整性的基礎(chǔ)和前提。根據(jù)圖像識別技術(shù)的具體應(yīng)用情況來看，所要識別的目標(biāo)圖像特征點主要表現(xiàn)在空間關(guān)系特征、圖像形狀、圖像紋理、顏色特征等多個方面，基于人工智能圖像識別技術(shù)的應(yīng)用，一般情況下將顏色作為第一捕捉特征，其次考慮空間特征、目標(biāo)圖像的體積特征等。但是在圖像識別技術(shù)具體應(yīng)用時，要以智能化圖像識別技術(shù)的具體應(yīng)用場景、需求以及應(yīng)用方向具體設(shè)定。目標(biāo)圖像所包含的信息數(shù)據(jù)內(nèi)容比較多，想要提高圖像識別技術(shù)的應(yīng)用效果，必須對目標(biāo)圖像的具體特征進行區(qū)分和劃分。例如，電力企業(yè)在應(yīng)用基于人工智能的圖像識別技術(shù)對架空輸電線路進行巡檢時，要提取線路的紋理特征，并根據(jù)輸電線路檢修、維護工作的開展需求制定具有針對性的巡檢方案。根據(jù)以往工作經(jīng)驗，確定輸電線路存在問題時輸配電電纜的紋理特征，才能提高對問題線路的辨識度，提高輸配電線路巡檢工作的有效性和針對性。

3.3 圖像匹配分類

圖像匹配分類是智能化圖像識別技術(shù)的最后一個流程，也是關(guān)鍵的工作步驟。圖像匹配分類工作的開展，建立在預(yù)處理圖像數(shù)據(jù)和提取圖像典型特征的基礎(chǔ)上，以這兩個工作環(huán)節(jié)獲取的結(jié)果數(shù)據(jù)為參照，提取數(shù)據(jù)庫中相同圖片的信息，展開特征分析。仍然以電力企業(yè)輸配電線巡檢工作中圖像識別技術(shù)的應(yīng)用為例，在智能化圖像識別技術(shù)的圖像匹配分類中，必須按照圖片的特點調(diào)取數(shù)據(jù)庫中與其相對應(yīng)問題的處理信息，為技術(shù)人員分析、判斷、評估工作的開展提供必要的支撐，以提高圖片處理效率和匹配率[4]。

4 人工智能圖像識別技術(shù)的應(yīng)用路徑

4.1 模型識別法

模型識別法在智能化圖像識別技術(shù)的應(yīng)用中發(fā)揮著至關(guān)重要的作用。圖像識別技術(shù)的應(yīng)用通常要處理海量的數(shù)據(jù)信息。模型識別法技術(shù)是在傳統(tǒng)圖像識別技術(shù)的基礎(chǔ)上發(fā)展而來。該技術(shù)以數(shù)學(xué)原理和數(shù)學(xué)模型為基礎(chǔ)，根據(jù)圖像數(shù)值、曲線和形狀等方面的特征，自動完成圖像識別的各項步驟。模型識別法最重要的步驟是學(xué)習(xí)步驟，在該步驟中，通過信息的采集、保存構(gòu)建較為全面的圖像信息數(shù)據(jù)庫，為后續(xù)與圖像信息分析、挖掘、識別、提取相關(guān)的工作步驟提供全面的數(shù)據(jù)支撐。與其他智能化圖像識別技術(shù)相同的是，模型識別法在實際應(yīng)用中也會出現(xiàn)識別錯誤、識別不準確、不全面、不及時等諸多問題，如果學(xué)習(xí)步驟不正確，會增大上述問題的影響范圍和影響程度。以模型識別法在醫(yī)療行業(yè)中的具體應(yīng)用為例，其在實驗室檢測、醫(yī)學(xué)臨床檢測、醫(yī)療設(shè)備規(guī)格檢測等場景中應(yīng)用都比較廣泛。以在醫(yī)學(xué)臨床檢測領(lǐng)域中的具體應(yīng)用為例，模型識別技術(shù)在X射線透視圖、核磁共振圖中的應(yīng)用比較常見。該方法的應(yīng)用可以幫助醫(yī)護人員及時、準確、全面、客觀地完成圖像分析，了解患者影像，以具體、準確、全面的數(shù)據(jù)為參照，通過對異常點的分析找出對應(yīng)的癥狀。但相比其他圖像識別技術(shù)來說，模型識別法在實踐中應(yīng)用的時間不長，有些功能不太完善，需要進一步加強與人工智能技術(shù)的融合，才能充分發(fā)揮出該項技術(shù)的重要應(yīng)用價值。

4.2 神經(jīng)網(wǎng)絡(luò)形式

相比其他技術(shù)來說，神經(jīng)網(wǎng)絡(luò)形式在基于人工智能圖像識別技術(shù)中的應(yīng)用最為廣泛和普遍，如其在交通領(lǐng)域中的應(yīng)用可以充分發(fā)揮出該項技術(shù)的諸多優(yōu)勢。與前文提到的模型識別法原理相同的是，神經(jīng)網(wǎng)絡(luò)形式的圖像識技術(shù)也是以傳統(tǒng)的圖像識別法為基礎(chǔ)，綜合應(yīng)用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建一套新型的識別模式。顧名思義，神經(jīng)網(wǎng)絡(luò)形式是利用動物和人類神經(jīng)網(wǎng)絡(luò)系統(tǒng)的原理進行高度模擬，完成復(fù)雜的圖像識別[5]。與模型法等方法不同的是，基于神經(jīng)網(wǎng)絡(luò)形式的圖像識別法的運行更加復(fù)雜，數(shù)據(jù)信息、圖像信息的處理流程更為煩瑣，對專業(yè)技術(shù)要求高，應(yīng)用成本也比較高。但是與之對應(yīng)的，圖像數(shù)據(jù)的處理效率、信息提取分析效果也更為明顯。

現(xiàn)階段常用的神經(jīng)網(wǎng)絡(luò)形式主要有前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、相互結(jié)合型網(wǎng)絡(luò)、混合型網(wǎng)絡(luò)四種形式。不同形式的網(wǎng)絡(luò)形式其組成不同，特征也存在差異。以前饋網(wǎng)絡(luò)為例，該網(wǎng)絡(luò)形式由多層組成，該形式的主要特征是相鄰層之間的神經(jīng)元相連接，同層各個神經(jīng)元無法連接，各神經(jīng)元從上一層得到多個輸入，利用下一個節(jié)點傳輸?shù)较乱粚拥母鱾€神經(jīng)元中，結(jié)構(gòu)如圖1所示。

圖1 三層前饋網(wǎng)絡(luò)結(jié)構(gòu)圖

從神經(jīng)網(wǎng)絡(luò)中的前饋網(wǎng)絡(luò)形式來看，反饋網(wǎng)絡(luò)的特征是各節(jié)點在接受輸入信號的同時可以接收其他節(jié)點的反饋，包含神經(jīng)元輸出信號返回自身的環(huán)繞反饋。具體結(jié)構(gòu)如圖2所示，是一種用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖。應(yīng)用該神經(jīng)網(wǎng)絡(luò)架構(gòu)圖，可以針對交通領(lǐng)域不同場景下的圖像識別需求，幫助交警進行交通管制、視頻檢測、智能化的違章拍攝等，保證車輛的安全，提高了交通管理、違章拍攝以及處理的工作效率。

圖2 一種用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖

4.3 非線性降維形式的應(yīng)用

除了模型識別法和神經(jīng)網(wǎng)絡(luò)形式之外，非線性降維形式也是人工智能圖像識別技術(shù)中非常重要的內(nèi)容。該形式是在高維識別技術(shù)的基礎(chǔ)上發(fā)展而來的。相比前兩種技術(shù)，非線性降維形式的環(huán)境適應(yīng)能力強，可以在圖像分辨率較低的場景下工作，這一特征使得該項技術(shù)在實際應(yīng)用中可以產(chǎn)生多維性的數(shù)據(jù)信息，數(shù)據(jù)的準確度、全面性都比較高。但是結(jié)合非線性降維形式的具體應(yīng)用來看，受到計算機技術(shù)、數(shù)據(jù)處理軟件、人工智能技術(shù)、算法算力等方面的影響，該項技術(shù)尚處在發(fā)展階段，實際應(yīng)用中仍然存在諸多問題，想要取得技術(shù)突破，需要從線性和非線性方面著手進行深入研究。

常規(guī)的非線性降維算法包含PAC、LDA、MDS、Isomap、LLE等。不同算法的優(yōu)勢、缺點和適用場景存在很大的區(qū)別，在具體應(yīng)用中要根據(jù)應(yīng)用場景的具體需求而定。以PAC算法為例，其優(yōu)點是理論基礎(chǔ)扎實，概念較為簡單、設(shè)計方便，具有最優(yōu)線性重構(gòu)誤差。缺點在于在高維的數(shù)據(jù)特征向量計算中適用性較差，主成分個數(shù)的確定沒有較為清晰的標(biāo)準，在非線性數(shù)據(jù)處理中不適用。

5 人工智能圖像識別技術(shù)的展望

隨著科學(xué)技術(shù)、網(wǎng)絡(luò)技術(shù)、通信技術(shù)和信息技術(shù)的不斷發(fā)展和進步，人工智能中的圖像識別技術(shù)也取得了蓬勃發(fā)展，在不斷優(yōu)化、升級和完善中。結(jié)合實際情況來看，現(xiàn)階段圖像識別技術(shù)雖然在不同場景中以不同形式得到了廣泛應(yīng)用，且有些技術(shù)已經(jīng)非常精準和先進，但是仍然存在很大的優(yōu)化和改良空間。從基于人工智能的圖像識別技術(shù)的未來發(fā)展來看，高分辨率和急速傳輸、多維角度、應(yīng)用范圍持續(xù)拓展將是智能化圖像識別技術(shù)的主要發(fā)展方向和發(fā)展趨勢。在人工智能領(lǐng)域，圖像識別技術(shù)雖然具備了高清晰度和較高的信息處理能力，但是在數(shù)據(jù)處理中仍然存在很大的誤差，對信息設(shè)備處理產(chǎn)生了一定影響，而導(dǎo)致這一問題的主要原因是計算機硬件設(shè)備的功能和性能不穩(wěn)定。在未來發(fā)展中，技術(shù)人員要根據(jù)圖像識別技術(shù)應(yīng)用場景的具體需求，加大軟件技術(shù)和硬件技術(shù)的改良，突破技術(shù)瓶頸[6]。

6 結(jié) 語

在信息技術(shù)、網(wǎng)絡(luò)技術(shù)持續(xù)發(fā)展的背景下，圖像識別技術(shù)得到了完善和優(yōu)化，應(yīng)用場景增多，應(yīng)用范圍不斷拓展。以人工智能為基礎(chǔ)的圖像識別技術(shù)可以滿足不同場景圖像提取、圖像信息分析的需求。在具體應(yīng)用中，技術(shù)人員要明確模型分析法、神經(jīng)網(wǎng)絡(luò)形式、非線性降維形式等技術(shù)的優(yōu)勢和不足，根據(jù)應(yīng)用場景的具體需求構(gòu)建完善的圖像識別系統(tǒng)，提高圖像識別技術(shù)的應(yīng)用價值，為各個行業(yè)的創(chuàng)新發(fā)展提供技術(shù)支撐。