基于人工智能的圖像識(shí)別技術(shù)探討

宋炯+柏松平+王燕華

摘 要 在人工智能領(lǐng)域之中，眾多技術(shù)被研發(fā)和應(yīng)用，其中圖像識(shí)別技術(shù)是基于人工智能的代表技術(shù)之一。現(xiàn)今我國(guó)的科技技術(shù)、電子信息技術(shù)都在不斷發(fā)展，人工智能中的圖像識(shí)別技術(shù)也在不斷更新，越來(lái)越多的領(lǐng)域關(guān)注并應(yīng)用該技術(shù)，包括醫(yī)療診斷、信息識(shí)別、衛(wèi)星云圖識(shí)別等等，基于人工智能的圖像識(shí)別技術(shù)能夠?yàn)楦鱾€(gè)領(lǐng)域的發(fā)展提供便利。本文對(duì)此展開探討。

關(guān)鍵詞 人工智能；圖像識(shí)別技術(shù)；應(yīng)用

中圖分類號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2018）202-0106-02

現(xiàn)今計(jì)算機(jī)技術(shù)和信息技術(shù)日益發(fā)展，在此背景下圖像識(shí)別技術(shù)也越來(lái)越多的被人們關(guān)注。從現(xiàn)實(shí)發(fā)展角度來(lái)說(shuō)，圖像識(shí)別技術(shù)的產(chǎn)生和更新是一種必然的趨勢(shì)，且在未來(lái)的發(fā)展中會(huì)有更廣闊的應(yīng)用空間，無(wú)論是醫(yī)療、安檢、信息搜集、產(chǎn)品安全等等，都會(huì)更加依賴于圖像識(shí)別技術(shù)[ 1 ]。

圖像識(shí)別技術(shù)通常是指利用計(jì)算機(jī)對(duì)系統(tǒng)前端捕獲的圖片根據(jù)既定的目標(biāo)對(duì)其進(jìn)行處理，因此，人們?cè)谌粘Ｉ詈凸ぷ髦幸矔?huì)經(jīng)常接觸到該技術(shù)，例如條碼識(shí)別、指紋識(shí)別等等，該技術(shù)給人們的生產(chǎn)安全提供了重要的保障，因此展開圖像識(shí)別技術(shù)的研究和探討是非常有意義的。

1 圖像識(shí)別技術(shù)的基本原理

人眼產(chǎn)生的視覺效果是一種非常神奇的現(xiàn)象，由此人眼對(duì)圖像的識(shí)別能力是很強(qiáng)的。當(dāng)某個(gè)圖像距離、位置、角度發(fā)生改變時(shí)，人的感官也會(huì)隨之發(fā)生變化，圖像在人眼視網(wǎng)膜上的成像也會(huì)相應(yīng)發(fā)生大小和形狀的改變，但這種改變不足以影響人們對(duì)圖像的判斷，且人可以通過(guò)各種感官判斷某種圖像，例如當(dāng)在手背上寫字時(shí)，也可以通過(guò)感官判斷這個(gè)字體。圖像識(shí)別技術(shù)是人工智能領(lǐng)域中的重要技術(shù)，因此其識(shí)別原理與人眼識(shí)別的原理相似，都是以圖像的突出性特征為基礎(chǔ)進(jìn)行的[ 2 ]。

圖像識(shí)別的重點(diǎn)是尋找圖像的特征，例如英文大寫字母中，A有個(gè)突出的尖角，O有個(gè)圈、而Y則基本可以視為線條和銳角鈍角所組成，對(duì)于特殊信息，也就是突出特征的捕捉和識(shí)別，才能通過(guò)圖像中的有效信息對(duì)這個(gè)圖像進(jìn)行識(shí)別，并且判斷這個(gè)圖像的內(nèi)容和性質(zhì)，并且分析它所代表的含義。

為了模仿人眼識(shí)別圖像的原理，達(dá)到人眼識(shí)別的效果，科學(xué)家編制模擬人類圖像識(shí)別活動(dòng)的計(jì)算機(jī)程序，從而獲取了眾多關(guān)于圖像識(shí)別的識(shí)別模型，當(dāng)計(jì)算機(jī)捕捉到某個(gè)圖像時(shí)，若圖像特征與記憶中人腦的感官刺激相匹配，則認(rèn)為這個(gè)圖像已經(jīng)被識(shí)別。

2 基于人工智能的圖像識(shí)別過(guò)程

圖像識(shí)別技術(shù)是基于人工智能誕生的，因此，計(jì)算機(jī)對(duì)圖像識(shí)別的過(guò)程也與人腦識(shí)別圖像的過(guò)程基本類似，只不過(guò)是以技術(shù)和科技展現(xiàn)出來(lái)[ 3 ]。基于人工智能的圖像識(shí)別過(guò)程如下：

1）信息數(shù)據(jù)的獲取，信息數(shù)據(jù)的獲取是圖形識(shí)別的基礎(chǔ)，利用各類傳感器將聲音和光等特殊信號(hào)轉(zhuǎn)化為電信號(hào)，從而獲取所需的數(shù)據(jù)和信息，在圖像識(shí)別技術(shù)中，所需要獲取的信息是圖像的特征和特殊數(shù)據(jù)，這些信息和數(shù)據(jù)要求能夠區(qū)分圖形之間的特征，將其存儲(chǔ)于計(jì)算機(jī)的數(shù)據(jù)庫(kù)內(nèi)，則可以用于之后步驟的展開。

2）信息數(shù)據(jù)預(yù)處理，此過(guò)程對(duì)圖像進(jìn)行去噪、變換以及平滑等處理操作，將圖像的特征和重要信息突顯。

3）特征抽取與選擇，圖像識(shí)別技術(shù)中的核心內(nèi)容就是對(duì)圖像進(jìn)行特征的抽取與選擇，尤其是識(shí)別模式中，對(duì)于特征的要求更為嚴(yán)格，這決定著圖像最終能夠否被成功識(shí)別，也就是將不同圖形的特殊特征提取，選擇能夠區(qū)分圖形的特征，并且將所選擇的特征存儲(chǔ)，讓計(jì)算機(jī)記憶這種特征。

4）分類器設(shè)計(jì)與分類決策，此步驟是圖像識(shí)別的最后一步，分類器設(shè)計(jì)是指以有效的程序制定出一個(gè)識(shí)別規(guī)則，這種識(shí)別規(guī)則能夠按照某種規(guī)律對(duì)圖像進(jìn)行識(shí)別，而不是盲目混亂的進(jìn)行識(shí)別，借此識(shí)別規(guī)律能夠?qū)⑾嗨频奶卣鞣N類突顯，致使圖像識(shí)別過(guò)程的辨識(shí)率更高，之后通過(guò)對(duì)特殊特征的識(shí)別，完成圖像的評(píng)價(jià)和確認(rèn)。

3 常見的圖像識(shí)別技術(shù)形式

3.1 模式識(shí)別

模式識(shí)別（PatternRecognition）是圖像識(shí)別技術(shù)中的一種有效模型，該模式從大量信息和數(shù)據(jù)出發(fā)進(jìn)行圖像識(shí)別。該識(shí)別模型是圖像識(shí)別技術(shù)專家在多年經(jīng)驗(yàn)的積累基礎(chǔ)上和已有對(duì)圖像識(shí)別的認(rèn)知基礎(chǔ)上，通過(guò)計(jì)算機(jī)進(jìn)行計(jì)算，并且以數(shù)學(xué)原理進(jìn)行推理，在圖像的形狀、模式、曲線、數(shù)字、字符格式等各個(gè)特征方面自動(dòng)完成識(shí)別，并且在識(shí)別的過(guò)程中對(duì)這些特征進(jìn)行評(píng)價(jià)[ 4 ]。

識(shí)別模式的進(jìn)行分為兩個(gè)階段，即學(xué)習(xí)階段和實(shí)現(xiàn)階段，學(xué)習(xí)階段實(shí)質(zhì)可以將其理解為一個(gè)存儲(chǔ)的過(guò)程，也就是對(duì)圖像的特殊信息、特征、樣本提前采集和存儲(chǔ)，通過(guò)計(jì)算機(jī)的存儲(chǔ)記憶能力將這些熟悉聚合信息按照一定的識(shí)別規(guī)律進(jìn)行分類和識(shí)別，并且形成相應(yīng)圖像的識(shí)別程序。

后一個(gè)階段則是實(shí)現(xiàn)階段，實(shí)現(xiàn)階段強(qiáng)調(diào)圖像必須與腦中的模板完全符合，如此才能完成識(shí)別程序，從現(xiàn)實(shí)角度來(lái)說(shuō)，計(jì)算機(jī)的識(shí)別與人腦的識(shí)別還是有巨大的差異，但在計(jì)算機(jī)的識(shí)別過(guò)程中，能夠根據(jù)之前記憶階段的特征、數(shù)據(jù)以及信息，將最新捕捉的圖像信息進(jìn)行匹配，若按照既定的規(guī)律能夠匹配完成，這說(shuō)明這個(gè)圖像已經(jīng)被識(shí)別。但這種識(shí)別是有限的，對(duì)于某一類特別相似的特征，可能會(huì)出現(xiàn)識(shí)別錯(cuò)誤的現(xiàn)象。

3.2 神經(jīng)網(wǎng)絡(luò)形式

神經(jīng)網(wǎng)絡(luò)形式的圖像識(shí)別技術(shù)是當(dāng)前應(yīng)用較多且全面更新的一種技術(shù)，該技術(shù)基于傳統(tǒng)的圖像識(shí)別方式，與現(xiàn)代神經(jīng)網(wǎng)絡(luò)算法完美融合，從而形成了這種全新的識(shí)別形式。因?yàn)閳D像識(shí)別是人工智能領(lǐng)域的技術(shù)，因此，這里的神經(jīng)網(wǎng)絡(luò)是指人工神經(jīng)網(wǎng)絡(luò)，也就是說(shuō)這種技術(shù)是模擬了人類及動(dòng)物的神經(jīng)網(wǎng)絡(luò)分布特征，相較于傳統(tǒng)的圖像識(shí)別技術(shù)，融入神經(jīng)網(wǎng)絡(luò)算法的圖像識(shí)別程序更為復(fù)雜，成本更高，但發(fā)揮的效果也是顯而易見的。

被提取和捕捉的圖像特征能夠在神經(jīng)網(wǎng)絡(luò)程序中加以映射，更為精確、全面的完成圖像識(shí)別，并且對(duì)其進(jìn)行分類處理。在交通管理系統(tǒng)中，智能汽車監(jiān)控拍攝識(shí)別，就是應(yīng)用這一技術(shù)進(jìn)行的，能夠在拍攝的瞬間迅速識(shí)別和分辨車牌信息，從而協(xié)助交通管理的進(jìn)行。

3.3 非線性降維形式

非線性識(shí)別技術(shù)是一種高維形式的識(shí)別技術(shù)，該技術(shù)的優(yōu)勢(shì)在于對(duì)于分辨率較低的圖形也可進(jìn)行有效的識(shí)別，因?yàn)檫@種技術(shù)產(chǎn)生的數(shù)據(jù)具有多維性特征，且經(jīng)過(guò)了非線性處理。這種技術(shù)在最初構(gòu)想時(shí)就遇到了諸多的困難，非線性降維的圖像識(shí)別需要計(jì)算機(jī)在短時(shí)間內(nèi)進(jìn)行大量的計(jì)算。最初將降維劃分成非線性降維與線性降維兩類，諸但非線性降維更為簡(jiǎn)單，其效果也較為突出。

例如人臉識(shí)別就可利用非線性降維實(shí)現(xiàn)，因?yàn)楦呔S度空間內(nèi)的人臉圖像分布不均，突出的特征信息也無(wú)法有效提取，而非線性降維方式則有效提升了人臉的辨識(shí)度。

4 結(jié)論

綜上所述，圖像識(shí)別技術(shù)是現(xiàn)今科技發(fā)展中的新興技術(shù)種類，已經(jīng)被越來(lái)越多的人關(guān)注，并且廣泛應(yīng)用于各個(gè)領(lǐng)域。在未來(lái)的發(fā)展中，圖像識(shí)別技術(shù)將被進(jìn)一步普及，而隨著用戶的增加技術(shù)會(huì)進(jìn)一步更新，以滿足人們生產(chǎn)生活的需求。圖像識(shí)別技術(shù)目前已經(jīng)成為能夠服務(wù)社會(huì)、促進(jìn)經(jīng)濟(jì)發(fā)展、保障財(cái)產(chǎn)安全的重要技術(shù)，在未來(lái)會(huì)有更為廣闊的發(fā)展空間，被人們愈發(fā)深刻的認(rèn)識(shí)與掌握。

參考文獻(xiàn)

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

[2]蔣樹強(qiáng)，閔巍慶，王樹徽.面向智能交互的圖像識(shí)別技術(shù)綜述與展望[J].計(jì)算機(jī)研究與發(fā)展，2016，53（1）：113-122.

[3]葛瑋，吳佳.關(guān)于計(jì)算機(jī)智能圖像識(shí)別的算法及技術(shù)分析[J].無(wú)線互聯(lián)科技，2014（10）：82.

[4]陳波光，劉姝姝，蔡揚(yáng)亞.計(jì)算機(jī)的智能化圖像識(shí)別技術(shù)的理論性突破[J].電子制作，2013（15）：69.

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