機器視覺的圖像目標識別方法綜述

（武漢理工大學自動化學院，武漢 430000）

0 引言

從20世紀80年代開始，機器視覺技術的發展速度不斷加快，已經走進了人們的日常生活與工作之中。機器視覺的圖像目標識別系統的自動化程度較高，應用范圍廣，尤其在危險場所的運用，采用機器視覺代替傳統的人工視覺，能夠更好的滿足危險作業基本需求。

1 機器視覺的圖像目標識別的重要性

圖像目標識別是機器視覺中的核心研究領域，在農業、工業和醫療等領域均有涉及。例如，在農作物生長過程之中，通過運用該技術實施藥物噴灑，能有效預防農作物病蟲害的發生。由于機器視覺的圖像目標識別方法能將大量信息進行集中處理，能夠更好的達到計算機集成制造基礎目標。在比較復雜的機器視覺領域當中，機器視覺的圖像目標識別方法的大力運用，能夠減少錯誤視覺信息的輸出與傳遞，進一步提升了各項圖像識別信息的準確性[1]。

2 機器視覺的圖像目標識別原理與特點

2.1 圖像目標識別的原理

機器視覺的圖像目標識別運用模式識別和圖像處理原理，在海量的圖片當中，經過初步識別之后，提取相應的目標圖像，并將該目標圖像進行分類處理。與計算機視覺技術相比，機器視覺的圖像目標識別方法操作更為便捷，系統結構組成比較簡單。在處理圖像之前，需要獲取完整的圖像，在獲取圖像的過程當中，要采用一套靈敏的硬件設備，如照明光源、用于調節圖像清晰程度的鏡頭與攝像機等。

2.2 圖像目標識別的特點

機器視覺的圖像目標識別方法具有較強的實時性，能夠自動獲取圖像并對圖像進行分析與研究。由于該項技術的特殊性，其識別精度與識別時間領域還存在很多缺陷[1]，為了保證該項技術得到更好應用，還需要不斷加大研究力度，提升機器視覺圖像目標識別效率，杜絕識別錯誤的發生。

3 機器視覺的圖像目標識別方法

3.1 圖像的預處理

圖像的預處理指的是通過矯正機器視覺所獲得的圖像目標，并將噪音等干擾進行合理過濾，對圖像目標內部的信息開展有效提取。其處理流程首先，將圖像平行移動或者換不同的方向，縮放其尺寸等，使圖像識別速度得到提升，識別結果更為精確。其次，將圖像進行濾波處理，去除圖像中的噪音干擾，使圖像的各項特征得到更好保存。最后，對圖像的預處理結果進行檢驗。

圖像濾波處理主要分為兩種，分別是線性濾波處理與非線性濾波處理。其中，非線性濾波對圖像中的各個細節起到保護作用，去除圖像噪音時，保證圖像細節更加完整，在圖像濾波處理中有良好的應用效果。在非線性濾波中，應用效果較好的分別是粒子濾波與卡爾曼濾波兩種，與粒子濾波相比，卡爾曼濾波操作比較簡單，魯棒性能也比較好，在機器視覺跟蹤領域應用較多。粒子濾波與卡爾曼濾波算法不同，該方法存在樣本匱乏、粒子數量選擇不當等一系列問題[2]。

在圖像預處理過程當中，要加強圖像邊緣處理力度，該區域作為圖像目標中的核心區域，如果處理不當，會嚴重影響圖像預處理效果。因此，為了進一步提升圖像邊緣預處理水平，可以運用先進的檢測技術，對圖像邊緣預處理結果進行全面檢測，并加強圖像邊緣檢測技術優化力度，制定更為科學的檢測技術措施，可以采用多尺度與結構的數學理念，將圖像目標邊緣進行有效提取，保證圖像邊緣更加穩定，處理結果更為準確。從研究結果來分析，通過做好圖像預處理工作，能夠保證機器視覺的圖像目標識別水平得到全面提升。

3.2 圖像的分割

通過加強圖像分割，能夠提高機器視覺的圖像目標識別的自動化水平，使得圖像目標識別效果更加顯著。圖像分割的方法有很多種，不同方法分別適用于不同領域，這里重點介紹以下3種分割方法。

（1）閾值分割法，這種方法屬于常規圖像分割方法，工作原理是將圖像的像素點分為不同類型，并對各個類型的圖像像素點進行計量，該方法具有操作便捷、圖像計算量較小、性能可靠等特點，但是，該方法的操作范圍比較小，分割進度緩慢。

（2）能量最小化分割方法，該項分割方法的主要缺點是計算效率特別低，應用效果較差。

（3）區域生長分割方法，主要指的是將比較相近的像素進行有效結合，構成更為完整的圖像區域，在該圖像區域之內，方可開展目標識別，具備計算便捷、圖像分割效率高的特點，但是，在實際分割的過程之中，要明確種子點位置，對噪音特別敏感的部位，如果應用該方法，區域內部容易出現空洞現象。當圖像目標比較大，會降低圖像的分割速率，使得圖像目標的識別效果不斷下降。

圖像目標的識別，要采用多方位的分割技術才能夠取得良好的分割效果。可以將不同的分割方法進行完美結合，更好的提升圖像分割水平與效率。近年來，混合分割法已經引起相關研究人員的關注，對混合分割法的分割效果比較滿意。

3.3 特征提取要點

特征提取指的是在眾多繁復的圖像信息當中，要提取出符合要求的圖像特征，對提取技術的速度與精度要求特別高，這一環節是機器視覺的圖像目標識別核心環節。結合圖像區域范圍的大小，將圖像全局特征進行分類，可以分為局部特征與全局特征，在繁雜的大背景之下，研究人員通常采用局部特征，準確描述圖像目標，具有較高的提取效率[3]。

采用較多的特征提取法主要分為3種，分別是密集提取法、稀疏提取法與其它提取法，但是，這3種特征提取方法需要圖像目標背景的支持。描述子的出現，有效解決了以上問題，特別是采用多種類型的描述子開展機器視覺的圖像目標識別，例如，采用SURF描述子對圖像目標特征進行識別，能有效提高圖像目標識別效率和效果，同時SIFT描述子性能穩定，識別效果好，其應用領域也特別廣。

4 結束語

文章介紹了機器視覺的圖像目標識別方法操作要點，如提升圖像的預處理效果，圖像的分割，明確特征提取要點等，能夠更好的掌握機器視覺的圖像目標識別途徑，有效降低機器視覺圖像目標識別難度。視覺定位的核心目標是找到所定目標物的具體坐標位置，通過研究機器視覺圖像目標識別方法，能夠對目標物體進行有效識別與定位，減少識別錯誤現象的發生。