面向人工智能算法下圖像識別技術分析*

南京大學(蘇州)高新技術研究院 徐自遠

人工智能是當今科技時代的寵兒,促進了國家與社會的快速發(fā)展,為人們的生活出行提供便利。圖像識別技術在人工智能領域已經(jīng)有了廣泛的應用,如利用指紋、面部特征識別身份信息、快速搜索圖片、監(jiān)測環(huán)境等。圖形識別是在圖形特征的基礎之上,通過算法在互聯(lián)網(wǎng)上進行快速識別的技術。在此背景下,文中首先簡要介紹圖片識別的基本原理,然后對網(wǎng)絡識別技術展開分析,最后重點分析了圖形識別的實現(xiàn)過程。

0 引言

圖像識別,顧名思義,就是對采取到的圖片信息進行處理,根據(jù)圖像的特征進行識別。作為人工智能的代表技術之一,圖像識別與人們的生活息息相關,包括人臉掃描、指紋識別、條碼掃描等。圖像掃描有著光明的發(fā)展前景,可以極大地提高企業(yè)的服務效率、改善人們的生活方式。因此,深入研究基于人工智能算法的圖像識別技術具有十分重要的現(xiàn)實意義。

1 圖像識別原理

圖像識別技術,最早只能識別一些文字、數(shù)字和符號,識別對象僅限于文字印刷體和手寫文字。1965年,圖像識別發(fā)展進入到數(shù)字圖像處理與識別階段,此時的圖像識別技術初步具備存儲、可壓縮、傳輸失真低、便于處理等優(yōu)勢。如今,圖像識別為高級計算機建立了對三維世界的感知和認識,為人工智能的發(fā)展作出了巨大貢獻[1]。

圖像識別的基本原理是利用計算機軟件程序圖片進行信息處理,由人工智能算法對圖片信息進行特征提取,經(jīng)智能處理之后達到圖像識別的目的。圖片識別的整個過程原理較為簡單,可以將計算機看成一個人,人的眼睛可以對圖像進行識別,人的大腦經(jīng)過分析對比可以得出眼前圖像的基本特征,并與人腦中的信息進行對比和分析。圖像識別技術和這一過程類似,只不過該技術是讓計算機模仿人類的行為和思維,利用人工智能算法處理圖像的信息和分類,達到實現(xiàn)人工智能圖像識別的目的。然而值得一提的是,計算機提取的圖像信息和特征和人類大腦相比存在著不穩(wěn)定性,這些不穩(wěn)定因素會影響圖像識別的效率和準確性,所以基于人工智能算法的圖像識別技術需要不斷地學習和訓練來減小誤差。

2 圖像識別技術分析

2.1 神經(jīng)網(wǎng)絡的圖像識別技術

神經(jīng)網(wǎng)絡圖像識別[2],是傳統(tǒng)圖形識別與網(wǎng)絡神經(jīng)算法結合的一種新型識別方式,BP神經(jīng)網(wǎng)絡算法通過模仿生物的神經(jīng)網(wǎng)絡分布進行圖像識別,可以提高圖像識別過程的穩(wěn)定性,使得高級計算機的行為和思維更接近于人類。神經(jīng)網(wǎng)絡的圖像識別技術實現(xiàn)較為復雜,成本相對較高,但是識別效果更加精準和高效。目前神經(jīng)網(wǎng)絡的圖像識別技術在各大領域應用廣泛,如道路交通領域中的交通管理系統(tǒng)、車輛視頻安全檢測等,可以快速識別道路上行駛的車輛信息,便于交通管理。

神經(jīng)網(wǎng)絡是模擬人類的神經(jīng)元進行數(shù)據(jù)處理,同時具備自主學習的功能。如表1所示,神經(jīng)網(wǎng)絡會在訓練后明顯提升識別率。神經(jīng)網(wǎng)絡圖像識別技術可以識別和處理更為復雜的圖像,由于其性能卓越使得該技術的應用成本較高。

表1 神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)目不同時的識別結果Tab.1 Identification results of different number of hidden layer nodes in neural network

2.2 非線性降維的圖像識別技術

非線性降維在圖像識別技術中是常用的手段之一。計算機對復雜圖像的處理成本較高,且在計算機識別高維圖像的特性時會存在因一些外在風險影響圖像識別的效率的準確性,通過對圖像的降維技術可以有效解決這些問題。

降維是通過將高維的圖像數(shù)據(jù)轉化成高維空間中的數(shù)據(jù)集合。非線性降維的圖像識別技術可以根據(jù)一維的特征表達量進行數(shù)據(jù)識別。理論上,線性降維的圖像識別技術具有簡單和易于理解的優(yōu)點。但是人們通過采用線性降維的方法進行圖像識別,發(fā)現(xiàn)該技術的計算過程較為復雜、耗費空間和時間資源,不能很好地滿足各大領域對于圖像識別技術的需求,于是人們便采用了非線性降維進行圖像識別(如圖1所示)。非線性降維的圖像識別技術不僅精準高效,且不存在線性降維存在的問題。以人臉識別系統(tǒng)為例,識別這種高維度的復雜圖像需經(jīng)過大量的時間進行運算,通過非線性降維的圖像識別技術可以較好地提高人臉識別系統(tǒng)的工作效率。

圖1 非線性降維技術Fig.1 Nonlinear dimensionality reduction technique

2.3 模式識別

模式識別在圖像識別方面的應用效果非常顯著,一般多應用于醫(yī)療行業(yè)中的器械、醫(yī)學和實驗檢測等。在模式識別的技術基礎上,我國研究學者提出了仿生模式識別理論,其是從數(shù)學角度進行推理,結合圖像特征的一種圖像識別技術。以臨床醫(yī)學檢測為例,識別X射線以及核磁共振等圖像可以科學地輔助醫(yī)生完成診斷,根據(jù)圖像特征的數(shù)據(jù)情況,快速匹配病癥。

當前,模式識別分為兩個階段:第一階段是學習階段,在此階段中,是對信息圖像進行信息特征的采集和存儲,通過計算機將特征信息進行分類,并根據(jù)特征規(guī)律進行快速識別。第二階段是實現(xiàn)階段,在此階段中,通過識別程序識別圖像的特征信息,需與規(guī)定的模版完全符合,避免計算中出現(xiàn)誤差。識別模式的系統(tǒng)框圖如圖2所示。

圖2 識別模式的系統(tǒng)框圖Fig.2 System block diagram of pattern recognition

2.4 貝葉斯

貝葉斯分析是整個機器學習的基礎框架[3],其以概率學理論對模式識別方法進行推理,根據(jù)被識別圖像的特征和類型進行觀測和學習。貝葉斯定理具有方法簡單、計算效率高等優(yōu)點,在近年來得以快速發(fā)展,并衍生出了貝葉斯分類算法,其已廣泛應用于多個領域。

3 基于人工智能的圖像識別技術的主要過程分析

隨著人工智能的發(fā)展,圖像識別技術自誕生后發(fā)展愈發(fā)成熟,目前該技術具有和人腦相似的圖像識別過程,其識別過程如圖3所示。

圖3 圖像識別過程圖Fig.3 Image recognition process diagram

3.1 獲取圖像信息特征

首先通過傳感器獲取數(shù)據(jù)信息的基本圖像。在信息數(shù)據(jù)傳遞的過程中,傳感器將聲音或光信號轉換成電信號,即完成計算機不被識別的信號轉換成可識別信號的過程。計算機在接收到信號之后與計算機內(nèi)儲存的特征數(shù)據(jù)對比,然后進行特征提取和處理。

3.2 圖像的預處理

圖像預處理,是指圖像數(shù)據(jù)傳輸?shù)接嬎銠C內(nèi)部后的抗干擾處理過程,包括濾波、平滑、增強等。經(jīng)過抗干擾的處理過程可以排除掉圖像中不必要的干擾因素,快速提取到有效數(shù)據(jù),提升圖像識別過程的準確性。

3.3 圖像特征提取

圖像特征提取是指計算機程序通過對獲取的圖像特征進行分類、計算和處理,最后得出圖片與計算機內(nèi)部儲存相匹配的特征。特征提取是圖像識別最為重要的一個環(huán)節(jié),提取和選擇到的特征是否精準將直接影響到圖像識別的匹配程度。特征提取的算法包括有卷積神經(jīng)網(wǎng)絡、深度殘差網(wǎng)絡、深度殘差收縮網(wǎng)絡等。

3.4 圖像匹配分類

圖像匹配分類需利用有效程序制定標準的識別規(guī)則,避免盲目識別造成的數(shù)據(jù)誤差[4]。按照標準的識別規(guī)則可以突顯出相似的特征種類。對圖像匹配分類需要圖像識別過程具有很好的辨識度,不僅需要標準的識別規(guī)則,還需要設計合適的分類器。

常用的分類器有Adaboost分類器和SVM分類器。前者利用迭代的分類方法,自適應組合精度更高的弱分類器,合成一個功能強大的分類器;后者利用二分類算法,獲取小數(shù)據(jù)集的分類精度,同時可以支持線性和非線性分類。

4 結語

圖像識別技術作為科技發(fā)展的新生力量,伴隨著該技術的完善和普及,人臉識別和指紋解鎖已經(jīng)成為人們?nèi)粘ＶЦ逗万炞C的常規(guī)安全手段,極大提高了用戶的信息安全服務體驗,提高了大眾的生活質量[5]。在未來,伴隨著人工智能技術水平的不斷提高,圖像識別技術也會愈發(fā)趨于完善,在各領域得到推廣和應用,滿足廣大人民的生產(chǎn)、生活需求。

引用

[1] 蔣樹強,閔巍慶,王樹徽.面向智能交互的圖像識別技術綜述與展望[J].計算機研究與發(fā)展,2016,53(1):113-122.

[2] 李萍,徐安林.基于BP神經(jīng)網(wǎng)絡的智能制造系統(tǒng)圖像識別技術[J].現(xiàn)代電子技術,2016,39(18):107-109.

[3] 葛瑋,吳佳.關于計算機智能圖像識別的算法及技術分析[J].無線互聯(lián)技,2014(10):82.

[4] 陳波光,劉姝姝,蔡揚亞.計算機的智能化圖像識別技術的理論性突破[J].電子制作,2013(15):69.

[5] 張家怡.圖像識別的技術現(xiàn)狀和發(fā)展趨勢[J].電腦知識與技術,2010,6(21):6045-6046.