人工智能中自相關(guān)算法的模式識別技術(shù)研究

王鵬

摘 要：針對司法體制改革中人工智能的普及，充分優(yōu)化模式識別技術(shù)中算法，能夠達到較高的準確率和高效率。本論文分析了模式識別中的自相關(guān)算法的特點，闡述人臉識別、阿拉伯數(shù)字識別實現(xiàn)。提出該技術(shù)可轉(zhuǎn)化應(yīng)用在兩相河流流速測量的觀點。

關(guān)鍵詞：模式識別：自相關(guān)算法;兩相河流流速

本人研究了自相關(guān)算法在模式識別匹配中的應(yīng)用，這個算法可以識別出兩幅圖像是否相同。因此自相關(guān)是一種非常有效的圖像匹配方法。它對噪聲具有很強的糾錯性，并且可以規(guī)范化以允許模式匹配獨立于圖像。自相關(guān)算法的程序代碼也是可以實現(xiàn)的。

自相關(guān)算法是估計兩個序列是否相關(guān)近似的標準方法。比較矩陣M和N的函數(shù)，并測量M和N的相似性。給出以下特征結(jié)論：

有nn圖像，M為目標相似圖像，這稱為模板，是對象外觀的表示。

有nn圖像，N為隨機圖像，可能包含該對象（通常是較大圖像的窗口）。

應(yīng)該定義一點：平方差之和：

根據(jù)上述說明，有相關(guān)性的定義：

該相關(guān)性度量的值在[0，1]范圍內(nèi)。當且僅當某常數(shù)C的值為N/M時為1是相似的。

將九個矩陣視為一個整體模型，分別為1到9個矩陣。選擇數(shù)字2作為模板，通過改變矩陣2的值來表示圖像旋轉(zhuǎn)和對位的變化。然后用互相關(guān)算法對模板和模型進行比較和匹配。至于這里的模型，這是55矩陣。顯然，每個矩陣代表一個數(shù)。例如，T1代表阿拉伯數(shù)字1，T2代表2，T8代表8的數(shù)字。

It is selected number of 2 to be a template.

a1 = corr2 （S， T1） = 0.0801;?a2= corr2 （S， T2） = 1;

a3 = corr2 （S， T3） = 0.3707;?a4 = corr2 （S， T4） = -0.2774;

a5 = corr2 （S， T5） = 0.3707;?a6 = corr2 （S， T6） = 0.2924;

a7 = corr2 （S， T7） = 0.2202;?a8 = corr2 （S， T8） = 0.2100;

a9 = corr2 （S， T9） = -0.0452;

因此，矩陣S與T2相同，這是正確的。

在人臉識別中，有一張照片，叫做模版，里面有很多人的照片。我要做的是找出我的照片是否在這張照片中。在這里，基于自相關(guān)算法編程，在MATLAB軟件下運行。

具體步驟如下：第一步：分別顯示哪個是模板，哪個是模型。

第二步：對模板和模型進行歸一化互相關(guān)，找到峰值坐標，找到目標

兩相河流理論中，相只是物質(zhì)的一種狀態(tài)，可以是氣體、液體或固體。多相流是多相物質(zhì)同時流動。兩相流是多相流最簡單的情況。本文對現(xiàn)有的兩相流測量技術(shù)進行了綜述，根據(jù)測量過程中兩相混合物是否分離，將其分為分離法和非分離法。

氣液是水流動過程中的一種過程轉(zhuǎn)化。氣泡在連續(xù)的液體中流動。對于水平流，主要的復(fù)雜特征是重力作用于液相，導致液相向通道底部移動。也就是說，氣泡流動，在水平管中，氣泡傾向于在管頂部流動。這是兩相流，換言之，它是水和氣體的流動過程。因此，我可以選擇互相關(guān)算法來測量氣泡在單位時間內(nèi)的流動距離，得到流動速度和氣泡與液體的比率。

本文提出的方案是利用圖像處理技術(shù)，實現(xiàn)人臉識別。研究的核心技術(shù)是模式識別和圖像相關(guān)匹配。在本文的研究中，需要探索的核心技術(shù)是圖像互相關(guān)匹配和模式識別。涉及的基本技術(shù)有圖像存儲、RGB模型、圖像處理方法、JPEG圖像壓縮、計算機圖形匹配等。模式識別是一項重要的技術(shù)，在各個領(lǐng)域得到了廣泛的應(yīng)用。模式識別的研究主要集中在模板匹配方法上。互相關(guān)算法的應(yīng)用可以編譯成程序?qū)崿F(xiàn)人臉識別技術(shù)。本文將互相關(guān)算法應(yīng)用于人臉識別，并將相對距離匹配理論應(yīng)用于人臉識別。我學會了如何匹配阿拉伯數(shù)字。

參考文獻

[1] K.S.Fu， “Digital Pattern Recognition”， Second Corrected and Updated Edition， Springer-Verlag Berlin Heidelberg New York， 1980.

[2] R.A.VAUGHAN， “Pattern Recognition and Image Processing in Physics”， SUSSP， 1990.

[3] Sammon， Jr， J.W， 1970. An optimal discriminant plane， IEEE Trans， comput， （short notes）， Vol. C-19， pp.826-829.

基金項目：北京政法職業(yè)學院2020年度院級科研項目課題ky202016。

（北京政法職業(yè)學院）