融合項(xiàng)目屬性和云填充的計(jì)算機(jī)智能圖像識(shí)別算法

余 云，王本勝，姚麗莎

(1.安徽新華學(xué)院信息工程學(xué)院，安徽合肥230088；2.安徽新華電腦學(xué)院軟件開(kāi)發(fā)科，安徽合肥230031)

隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展，計(jì)算機(jī)圖形學(xué)相關(guān)理論也在多個(gè)領(lǐng)域（包括游戲設(shè)計(jì)、電影制作等等）得到了運(yùn)用，計(jì)算機(jī)智能圖像識(shí)別技術(shù)已成為一種十分重要的技術(shù)手段[1]。計(jì)算機(jī)智能圖像識(shí)別技術(shù)可以運(yùn)用在視頻監(jiān)控系統(tǒng)[2]等場(chǎng)景。計(jì)算機(jī)智能圖像具有較高的分辨率，為了確保信息處理的效率，需要對(duì)圖像中的冗余信息進(jìn)行剔除[3]。就目前來(lái)講，圖像處理的方式大部分針對(duì)的是單一、靜態(tài)的圖像，而對(duì)于動(dòng)態(tài)圖像的處理，相關(guān)的算法并不多見(jiàn)[4]?；谠颇Ｐ偷南嗨贫扔?jì)算法，利用云模型在圖像表示以及定性、定量知識(shí)轉(zhuǎn)換時(shí)的橋梁作用，提出了一種在知識(shí)層面比較圖像相似度的方法[5-6]；基于項(xiàng)目屬性的計(jì)算機(jī)圖像識(shí)別技術(shù)，通過(guò)估計(jì)圖像評(píng)分的辦法補(bǔ)充圖像評(píng)分矩陣，減小數(shù)據(jù)稀疏性對(duì)計(jì)算結(jié)果的負(fù)而影響。然而，這些算法對(duì)于時(shí)間一致性問(wèn)題并沒(méi)有充分考慮，故難以將其在動(dòng)態(tài)網(wǎng)絡(luò)中使用[7-8]。

本文提出一種基于項(xiàng)目屬性和云模型數(shù)據(jù)填充的計(jì)算機(jī)智能圖像識(shí)別方法，利用項(xiàng)目本身屬性計(jì)算智能圖像相似性，利用云模型數(shù)據(jù)填充技術(shù)對(duì)模糊不清的圖像進(jìn)行填充，在清晰圖像上計(jì)算項(xiàng)目評(píng)分相似性，通過(guò)云填充梯度差值，可充分分析圖像識(shí)別程度。在分析收縮代價(jià)時(shí)，也融入了計(jì)算機(jī)智能圖像識(shí)別的有關(guān)信息。利用該算法，能夠保證對(duì)形變區(qū)細(xì)節(jié)特征的準(zhǔn)確識(shí)別。

1 云模型數(shù)據(jù)填充法

云模型是一種對(duì)不確定性知識(shí)進(jìn)行定性定量轉(zhuǎn)換的數(shù)學(xué)模型，能夠?qū)崿F(xiàn)定性概念與其數(shù)值表示之間的不確定性轉(zhuǎn)換，目前云模型已成功應(yīng)用于智能控制、數(shù)據(jù)挖掘、大系統(tǒng)評(píng)估等領(lǐng)域。云的數(shù)字特證用期望Ex（expectedvalue)、嫡En（entropy）、超嫡He（hyper entropy）三個(gè)數(shù)字來(lái)整體表征一個(gè)概念。將云的特征向量應(yīng)用于數(shù)據(jù)填充算法，首先要根據(jù)每個(gè)用戶的評(píng)分項(xiàng)來(lái)計(jì)算用戶的評(píng)分特征向量，這里采用逆云計(jì)算，把用戶單個(gè)評(píng)分項(xiàng)看作是云滴，從而每個(gè)用戶就可以看作是一個(gè)云的特征向量，即用戶評(píng)分的特征向量，利用評(píng)分特征向量采用云相似度量方法計(jì)算用戶間的相似性，然后再通過(guò)選取最近的個(gè)鄰近用戶通過(guò)加權(quán)來(lái)計(jì)算目標(biāo)用戶的缺少評(píng)分項(xiàng)。

2 項(xiàng)目屬性和云填充計(jì)算機(jī)智能圖像生成過(guò)程

2.1項(xiàng)目屬性分析

通過(guò)項(xiàng)目屬性分析能夠?qū)?dòng)態(tài)圖像中相鄰幀間三角形面片具有的識(shí)別水平進(jìn)行分析。本文將相鄰三角形的變化情況定義為項(xiàng)目屬性，通過(guò)這種方式來(lái)說(shuō)明表面識(shí)別程度。所謂項(xiàng)目屬性是指利用非平移仿射來(lái)獲得三角形方向矩陣。一般來(lái)講，可將幀計(jì)算機(jī)智能動(dòng)態(tài)圖像表示為 ， ，第幀圖像表示為 ， 代表每個(gè) 上的面片。在每個(gè) 上含有 ,,三個(gè)頂點(diǎn)，第四個(gè)點(diǎn) 位于其垂直方向上：

這樣2個(gè)三角平面 與 之間的非平移轉(zhuǎn)換就可以表示為，其中：

首先需要計(jì)算出各幀圖像相鄰面fi、fj的項(xiàng)目屬性，然后將其按照大小進(jìn)行排序，其最大值用Dij表示。利用Dij可有效分析相鄰面的識(shí)別程度，因而，可利用（4）式度量相鄰面片識(shí)別度，即可將Dij表示為：

其中，F(xiàn)rames代表的是圖像幀數(shù)。

該算法可計(jì)算出與之相鄰的面片 Dij的累加均值，可以合理描述單獨(dú)面片的識(shí)別程度，就面片fi來(lái)說(shuō)，可用（5）式表示其識(shí)別程度：

將fi的相鄰面片集N（fi）表示為，如果某面相鄰的區(qū)域在圖像中表現(xiàn)出的動(dòng)作缺乏一致性，表明此時(shí)該平面具有的Deformation值較大，相反，如果相鄰區(qū)域具有一致的動(dòng)作，那么對(duì)應(yīng)的Deformation值較小。

2.2 云填充計(jì)算機(jī)智能圖像識(shí)別

云填充下的計(jì)算機(jī)智能圖像識(shí)別能使識(shí)別的圖像具有最小的幾何誤差，能保證計(jì)算機(jī)智能圖像在時(shí)間上達(dá)到最大程度的一致化。本文結(jié)合二次誤差測(cè)度算法（Quadric error metrics，QEM），通過(guò)邊收縮方法實(shí)現(xiàn)了對(duì)計(jì)算機(jī)智能圖像的有效識(shí)別。在累加收縮代價(jià)中，融入了計(jì)算機(jī)智能圖像識(shí)別的有關(guān)信息，以Mf表示某幀圖像，二次矩陣 表示vf點(diǎn)所有鄰面的外積和Deformation乘積的累加值，即

planes(vf)代表點(diǎn)vf的鄰接面，假如經(jīng)過(guò)收縮后兩個(gè)鄰頂點(diǎn)可獲得新頂點(diǎn)，那么對(duì)應(yīng)的的二次誤差具有的累加性將會(huì)十分突出，也就是因此，可通過(guò)下式表示邊( ， )的折疊代價(jià)：

在識(shí)別圖像時(shí)，累加所有幀的邊折疊代價(jià)，能夠獲得該邊對(duì)應(yīng)折疊代價(jià)，如式（8）所示：

這種方法可以保證識(shí)別的圖像每幀具有一致的連續(xù)性，有效地解決了視覺(jué)跳變的問(wèn)題，且在化簡(jiǎn)過(guò)程中對(duì)識(shí)別信息也進(jìn)行了充分考慮，可保證對(duì)非剛性區(qū)域或識(shí)別度較大區(qū)域細(xì)節(jié)特征的有效識(shí)別。

3 實(shí)驗(yàn)結(jié)果

本文算法采用軟件VC2008、OpenGL編程。實(shí)驗(yàn)圖像如圖1（a）所示，圖1（b）是經(jīng)過(guò)90%識(shí)別對(duì)應(yīng)的圖像。由圖1（b）可知，識(shí)別后的圖像能夠較好地識(shí)別每幀圖像的項(xiàng)目屬性和基本輪廓。

圖1 計(jì)算機(jī)智能識(shí)別前后圖像對(duì)比

圖2 模糊圖像智能圖像識(shí)別誤差對(duì)比

圖3 清晰圖像智能圖像識(shí)別誤差對(duì)比

采用傳統(tǒng)方法識(shí)別圖像，很多細(xì)節(jié)特征不能充分反映，缺失問(wèn)題十分嚴(yán)重，而本文提出的算法確保了對(duì)細(xì)節(jié)特征的充分識(shí)別，而且對(duì)變體圖像的識(shí)別程度較大。假如本文算法賦予的邊折疊代價(jià)權(quán)值相對(duì)較大，那么很多邊折疊操作都有可能面臨延遲問(wèn)題。因此，利用本文算法能有效識(shí)別圖像細(xì)節(jié)特征，能夠獲得更優(yōu)的圖像形狀。

圖2、圖3是采用不同算法對(duì)圖1進(jìn)行識(shí)別的誤差對(duì)比，由圖可知，本文算法的誤差值表現(xiàn)出較為均勻的分布特征，并且各幀也具有較為均勻的誤差值。結(jié)合實(shí)驗(yàn)結(jié)果不難發(fā)現(xiàn)，本文算法在誤差統(tǒng)計(jì)以及視覺(jué)效果等方面具有突出優(yōu)勢(shì)，并且頂點(diǎn)連接關(guān)系在相鄰幀計(jì)算機(jī)智能圖像之間表現(xiàn)出了一致性的特征，同時(shí)圖像面片具有十分相似的形狀，因而，對(duì)應(yīng)的識(shí)別結(jié)果在時(shí)間上也表現(xiàn)出了較大的一致性。

4 結(jié)論

作者提出了一種基于項(xiàng)目屬性和云填充的計(jì)算機(jī)智能圖像識(shí)別方法，利用本算法可充分分析圖像表面識(shí)別程度，而且利用二次誤差可實(shí)現(xiàn)對(duì)邊折疊代價(jià)的充分度量，進(jìn)而可對(duì)圖像進(jìn)行識(shí)別處理，而且圖像優(yōu)化操作也可實(shí)現(xiàn)，以此確保圖像識(shí)別時(shí)間的一致性。利用該方法，可充分處理識(shí)別圖像數(shù)據(jù)，同時(shí)還可根據(jù)綜合分辨率等方面的要求來(lái)對(duì)圖像進(jìn)行進(jìn)一步的優(yōu)化。實(shí)例分析證明，本文方法簡(jiǎn)潔高效，得出的識(shí)別結(jié)果也是更優(yōu)的。

[1]Tan,J,Zhang,J,Song,C,et al.A coevolution algorithm in the image recognition system[C].IEEE,2013,22-25.

[2]楊正云,王林.視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)車(chē)輛的車(chē)標(biāo)識(shí)別技術(shù)[J].遵義師范學(xué)院學(xué)報(bào),2016,18(3):110-114.

[3]Candamo J,Shreve M,Goldgof D B,et al.Understanding transit scenes:a survey on human behavior-recognition algorithms[J].IEEE Transactions on Intelligent Transportation Systems,2010,11(1):206-224.

[4]Hu Z,Tsai Y.Generalized Image Recognition Algorithm for Sign Inventory[J].Journal of Computing in Civil Engineering,2011,25(2):149-158.

[5]Oh S K,Ma C M,Yoo S H.Design of optimized prbfnns-based face recognition algorithm using two-dimensional image and asm algorithm[J].Journal of Materials Science,2011,21(6):749-754.

[6]Tselioudis G,Rossow W,Zhang Y,et al.Global weather states and their properties from passive and active satellite cloud retrievals[J].Journal of Climate,2013,26(19):7734-7746.

[7]Mecikalski J R,Bedka K M,Paech S J,et al.A statistical evaluation of goes cloud-top properties for nowcasting convective initiation[J].Monthly Weather Review,2010,136(12):4899-4914.

[8]印偉,孫倩倩.基于大數(shù)據(jù)的高校移動(dòng)圖書(shū)館信息服務(wù)資源整合研究[J].遵義師范學(xué)院學(xué)報(bào),2017,19(2):164-166.