基于機器視覺的圖像識別算法研究

李祥瑞

摘要：本文探討了圖像識別概述，以及機器視覺的圖像識別算法的現(xiàn)狀，分析了機器視覺識別的關鍵技術，研究了機器視覺的圖像識別技術的應用。

關鍵詞：圖像識別;機器視覺;圖像處理

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1007-9416（2020）01-0110-02

0 引言

近年來，隨著人工智能技術的飛速發(fā)展，人機交互的需求也越來越高，圖像識別技術再次走進人們視野。圖像識別技術是人工智能的重要領域，主要功能是排除圖像中的多余信息，抽出關鍵信息，從而達到機器代替人工實現(xiàn)對字符、人臉、姿勢等識別。對于復雜場景，基于機器視覺的圖像識別技術體現(xiàn)出其優(yōu)越的穩(wěn)定性、客觀性和準確性。圖像識別技術與諸多技術相關，因此學習相關技術是研究圖像識別技術的基礎。

1 圖像識別概述

圖像識別算法是利用計算機的分析處理能力對圖像進行分析，提取出圖像的主要特征如顏色特征、紋理特征、形狀特征、局部特征等，去除圖像中的多余信息，再通過圖像分類器進行匹配，基于計算機處理的結(jié)果判斷不同屬性的目標，最終得到設計者的預期。

機器視覺技術是利用計算機來替代人的視覺，進而在三維空間中對事物進行一定的判斷?；跈C器視覺的圖像識別技術是以數(shù)字圖像處理與識別為基礎，結(jié)合人工智能、虛擬現(xiàn)實等學科知識，被廣泛應用在航天、醫(yī)療等諸多領域的前沿科技[1]?；跈C器視覺的圖像識別算法流程大致為圖像獲取、預處理、特征值提取、圖像匹配等，其基本流程圖如圖1所示。然而，由于圖像的多樣性和復雜性，高效準確的識別仍然是比較困難的問題。

2 基于機器視覺的圖像識別算法的現(xiàn)狀

目前，有多種圖像識別算法，各有各的可取性，但鮮有性能高且魯棒性強的算法。在研究各圖像算法前，要了解圖像特征提取是圖像分析和識別的前提。常用的圖像識別算法為局部特征點的提取，不僅可以大幅度提升計算機的運行速度，還保留較高的準確性。局部特征點為圖像的局部表達，常用局部特征點為斑點和角點。斑點通常指圖像中的灰度差，角點通常指圖像線條交叉部分。斑點檢測主要有LOG、DOG、SIFT、SURF等算法;角點檢測主要有Harris、FAST等算法;二進制字符串特征描述有BRIEF算法、BRISK算法、ORB算法、FREAK算法等算法。

3 機器視覺識別的關鍵技術

3.1 圖像獲取

一般情況下，基于機器視覺的圖像識別算法的圖像獲取主要依賴于攝像機，攝像機將采集到的圖像通過圖像采集卡傳輸?shù)接布幚聿糠?，這是進行一切圖像處理的前提。

3.2 預處理

圖像預處理的目的是減少后續(xù)圖像處理的工作壓力，提前對圖像進行去噪、增強、補償?shù)忍幚?，提供清晰度較高的圖像。如今已有的圖像識別算法有上千種，但核心還是邊緣檢測、圖像分割、圖像二值化、灰度檢測等技術。在圖像預處理過程中，根據(jù)不同的圖像識別算法，在預處理階段可對不同的特征值、灰度值等參數(shù)進行相應處理，處理結(jié)果的質(zhì)量對最終分析的結(jié)果有直接影響。其中邊緣檢測屬于低層視覺中研究的問題，是圖像增強、特征提取、圖像分割等中高層任務執(zhí)行的基礎[2]。圖像分割的目的是從較復雜的圖像中將特征目標保留下來，但如何從復雜的圖像中高效的提取出特征目標一直是研究的熱點。圖像二值化（Image Binarization）是將整個圖像的像素點設置為0或255，使圖像呈現(xiàn)黑白效果，極大地減少圖像中數(shù)據(jù)量，突出圖像輪廓。

3.3 特征值提取

特征選取以提取對圖像識別的速率和精度有較大影響。特征提取是使用計算機提取圖像信息，決定每個圖像的點是否屬于一個圖像特征。特征提取的作用就是把圖像上各個點劃分為不同的子集如孤立的點、連續(xù)曲線、連續(xù)區(qū)域等。通常圖像的特征為顏色特征、紋理特征、形狀特征、局部特征。

3.4 圖像匹配

圖像匹配不是用來判別兩幅圖像是否相同，而是研究判斷兩幅圖像之間的相似程度，而圖像之間的相似性隨著算法要求的不同而改變。一般情況下我們所使用的相似性是使用圖像匹配算法來判斷兩幅不同圖像中的物體。由于圖像的復雜性以及圖像獲取時的光照、角度、環(huán)境的不同，所以圖相匹配需要選取合適的特征點來簡化圖像，增強識別準確性。

4 基于機器視覺的圖像識別技術的應用

4.1 醫(yī)療領域

基于機器視覺的圖像識別技術在醫(yī)療領域展現(xiàn)出極大地價值。隨著“互聯(lián)網(wǎng)+”的興起，互聯(lián)網(wǎng)+醫(yī)療已經(jīng)成為醫(yī)療領域的發(fā)展趨勢。在醫(yī)學檢測方面，可以有效地進行醫(yī)療器械檢測、實驗室檢測等。在臨床醫(yī)學中也可以結(jié)合多項檢測技術，對檢測結(jié)果進行一定的分析和統(tǒng)計，幫助進行理療診斷。

4.2 工業(yè)領域

隨著我國工業(yè)的不斷發(fā)展，工業(yè)自動化的要求也越來越高，而基于機器視覺的圖像識別技術在自動檢測方面得到了很好地應用。傳統(tǒng)的自動檢測技術主要是使用幾何測量技術，存在檢測速度慢，精度低等缺點，而機器視覺技術可以使用多種掃描技術如激光燈對器件進行同步檢測，大大提高了自動檢測的準確性和精確性[3]。此外，在自動裝配方面，使用機器視覺技術可以增強裝配時判斷指標，一定程度上降低了對裝配環(huán)境的高要求。

4.3 交通領域

基于機器視覺的圖像識別算法在交通領域主要應用于視頻監(jiān)測、交通管理、車牌識別等方面。在視頻檢測中，通過對交通信息采集，可實現(xiàn)對車輛、行人的行為檢測以及追蹤定位。在交通管理方面，圖像識別技術可實現(xiàn)對車輛的智能疏散，在自動泊車系統(tǒng)中也有一定的應用。在車牌識別方面，已經(jīng)十分廣泛的應用于各企業(yè)和小區(qū)，對小范圍車輛管理有一定的幫助[4]。此外，隨著無人駕駛技術的發(fā)展，基于機器視覺的圖像識別技術再次得到廣泛關注。

4.4 生活方面

隨著我國移動支付方式的普及，人臉識別支付已經(jīng)成為一種重要的支付手段。近年來也有將基于機器視覺的圖像識別算法與智能家居融合的實例，用于判斷坐姿等是否正確，提出相應的整改報告。

5 結(jié)語

總之，機器視覺的圖形識別算法已經(jīng)在多個領域有了廣泛應用，但其仍需要一定的改進。在不同復雜背景下其對攝像機的要求、對處理器處理速度要求較高，不同的算法處理精度也存在差距。同時，在日常生產(chǎn)生活中，基于機器視覺的圖像識別算法識別精度高，識別速度慢。與之相比，傳統(tǒng)傳感器識別精度低，但識別速度較快，如何有效的提取二者的優(yōu)勢，同時提高圖像識別的精度與速度也是一個重要的研究方向。

參考文獻

[1] 謝永杰，智賀寧.基于機器視覺的圖像識別技術研究綜述[J].科學技術創(chuàng)新，2018（07）：74-75.

[2] 薛峰，陳川.機器視覺技術發(fā)展及其工業(yè)應用[J].無線互聯(lián)科技，2016（13）：137+144.

[3] 陳浩.圖像經(jīng)典邊緣檢測算子的研究與比較[J].電腦編程技巧與維護，2019（12）：150-152.

[4] 王飛.機器視覺技術發(fā)展及其工業(yè)應用[J].電子技術與軟件工程，2018（16）：246.