目標(biāo)識(shí)別算法綜述

尉震行

（遼寧 大連 116000）

隨著計(jì)算機(jī)科學(xué)與人工智能的不斷發(fā)展，人們對(duì)于目標(biāo)檢測(cè)識(shí)別的關(guān)注度已愈來(lái)愈高。目標(biāo)檢測(cè)的任務(wù)主要是將我們不關(guān)心的背景去除，去除背景的過(guò)程可以采用一系列的算法，之后提取出我們關(guān)心的目標(biāo)。

目標(biāo)檢測(cè)是基于計(jì)算機(jī)視覺(jué)與圖像處理，模式識(shí)別，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)等眾多學(xué)科交叉的一門研究課題。本文首先對(duì)目標(biāo)檢測(cè)的硬件系統(tǒng)做了總結(jié)分析，之后對(duì)于目標(biāo)識(shí)別的傳統(tǒng)算法做了研究與比較，最后對(duì)深度學(xué)習(xí)在目標(biāo)識(shí)別領(lǐng)域的一些方法進(jìn)行了研究，并與傳統(tǒng)方法做了對(duì)比，對(duì)未來(lái)的計(jì)算機(jī)視覺(jué)和目標(biāo)檢測(cè)的發(fā)展趨勢(shì)做了一些展望。

1 傳統(tǒng)的目標(biāo)檢測(cè)算法

傳統(tǒng)的方法中，圖像在計(jì)算機(jī)當(dāng)中可以用函數(shù)來(lái)定義，函數(shù)的基本表達(dá)為f（x，y）。函數(shù)值代表像素的灰度。

1.1 傳統(tǒng)方法特征選擇過(guò)程

特征的選擇是傳統(tǒng)算法中最重要的部分，特征包含顏色特征、紋理特征、形狀特征等等。針對(duì)以顏色為主要特征的目標(biāo)檢測(cè)應(yīng)用場(chǎng)景中，一般目標(biāo)與背景有較大的顏色差異，我們可以選擇合適的顏色空間來(lái)將背景和目標(biāo)進(jìn)行分離，從而完成目標(biāo)的檢測(cè)。常用的顏色空間有：RGB、HIS、Lab等等。RGB顏色空間即紅綠藍(lán)三色空間，R代表紅色、G代表綠色、B代表藍(lán)色。HIS空間也有三個(gè)通道分量，H代表色調(diào)、I代表亮度、S代表飽和度，這種顏色空間的一大特點(diǎn)就是接近于人的感知。紋理是對(duì)圖象的象素灰度級(jí)在空間上的分布模式的描述，反映物品的質(zhì)地，如粗糙度、光滑性、顆粒度、隨機(jī)性和規(guī)范性等。當(dāng)圖象中大量出現(xiàn)同樣的或差不多的基本圖象元素（模式）時(shí)，紋理分析是研究這類圖象的最重要的手段之一。此外分析方法也十分重要，針對(duì)以紋理為主要特征的場(chǎng)景中，描述一塊圖象區(qū)域的紋理有三種主要的方法，統(tǒng)計(jì)分析方法、結(jié)構(gòu)分析方法和頻譜分析方法。

1.2 傳統(tǒng)視覺(jué)算法其余重要過(guò)程

在采集到圖像之后，圖像往往會(huì)由于電子器件或者傳輸干擾產(chǎn)生一些噪聲，噪聲點(diǎn)過(guò)多會(huì)影響我們后續(xù)的處理操作，所以需要將噪聲去除，去除噪聲的方法有很多種，最常用的有兩種：第一種方法，中值濾波法，中值濾波法即是將圖像濾波器當(dāng)中的像素值由低到高依次排列，取出中位值，用中位值代替其他位置的像素值，一般來(lái)說(shuō)濾波器的尺寸可以選為3×3濾波器或者5×5濾波器。第二種方法平均濾波法，平均濾波法即是將圖像濾波器當(dāng)中的像素值平均化處理，取出平均值，用平均值代替其他位置的像素值。在選擇完顏色空間之后，我們的目的是將目標(biāo)和背景進(jìn)行分離，需要用到分割算法。常用的分割算法有固定閾值法、顏色聚類法、自動(dòng)閾值法等等。固定閾值法主要是通過(guò)人為的設(shè)定分割閾值，大于閾值的為背景或目標(biāo)，其余的為目標(biāo)或背景，這樣目標(biāo)和背景便能夠根據(jù)此值進(jìn)行分離。顏色聚類法主要是通過(guò)讓不同的顏色聚為不同的類別，從而將目標(biāo)與背景進(jìn)行分離。自動(dòng)閾值法主要是通過(guò)計(jì)算機(jī)自動(dòng)對(duì)圖像當(dāng)中的情況設(shè)定閾值，閾值可能會(huì)根據(jù)圖像的不同而不同，這樣設(shè)定的閾值更加合理，從而將目標(biāo)和背景進(jìn)行分離。

在分割之后，往往有兩類誤差點(diǎn)：第一類誤差點(diǎn)是目標(biāo)點(diǎn)被錯(cuò)誤的分類成背景點(diǎn)、第二類誤差點(diǎn)是背景點(diǎn)被錯(cuò)誤的分為目標(biāo)點(diǎn)。針對(duì)這兩種誤差，需要進(jìn)行分割圖像后處理操作。后處理過(guò)程一般為形態(tài)學(xué)處理過(guò)程，主要包括腐蝕過(guò)程和膨脹過(guò)程，腐蝕過(guò)程能夠去除一些很小的孤立點(diǎn)，主要執(zhí)行的操作是目標(biāo)邊界的收縮，膨脹過(guò)程能夠去除一些目標(biāo)內(nèi)部的孔洞，主要執(zhí)行的操作是目標(biāo)邊界的向外擴(kuò)張。通過(guò)這兩種方法，一般能夠?qū)⒄`差點(diǎn)去除，從而達(dá)到很好的分割效果。在后處理之后，往往目標(biāo)已經(jīng)能夠清晰的呈現(xiàn)在眼前，這時(shí)候需要用矩形或者圓形將目標(biāo)進(jìn)行擬合，顯示出識(shí)別結(jié)果，例如在對(duì)圓形形狀的物體進(jìn)行識(shí)別的時(shí)候，往往會(huì)采用霍夫變換的方法來(lái)擬合圓形，霍夫變換最早是用來(lái)檢測(cè)直線的，用的原理是統(tǒng)計(jì)原理，即霍夫變換對(duì)組成直線的兩個(gè)像素點(diǎn)進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)數(shù)最高的直線便是目標(biāo)直線。之后霍夫變換又用來(lái)檢測(cè)圓形，根據(jù)三個(gè)點(diǎn)確定一個(gè)圓的原理，霍夫變換對(duì)輪廓上的點(diǎn)進(jìn)行統(tǒng)計(jì)，找出統(tǒng)計(jì)數(shù)最高的圓形，便是目標(biāo)圓形。之后，霍夫變換又被開(kāi)發(fā)改善，能夠識(shí)別橢圓形等一系列圖形，并且具有較好的穩(wěn)定性，往往被應(yīng)用在傳統(tǒng)目標(biāo)識(shí)別算法領(lǐng)域。

1.3 傳統(tǒng)視覺(jué)方法檢測(cè)前沿進(jìn)展

傳統(tǒng)視覺(jué)方法的檢測(cè)算法已經(jīng)越來(lái)越成熟，以水果檢測(cè)為例，在2015年，Moghimi運(yùn)用傳統(tǒng)視覺(jué)方法設(shè)計(jì)實(shí)現(xiàn)了一種溫室青椒識(shí)別檢測(cè)系統(tǒng)。Moghimi首先進(jìn)行了青椒圖像的采集工作，由于青椒與枝葉顏色相近同為綠色，所以要提取出圖像內(nèi)容中的紋理特征，然后根據(jù)紋理特征進(jìn)行分類，之后根據(jù)分類結(jié)果選出紋理特征為光滑的一類，最終進(jìn)行色調(diào)、飽和度和綠色系數(shù)的分析，最終檢測(cè)出青椒，此方法在實(shí)驗(yàn)室中進(jìn)行模擬實(shí)驗(yàn)，準(zhǔn)確率能夠達(dá)到84%。2016年Brown設(shè)計(jì)了一個(gè)櫻桃采摘機(jī)器人，Brown首先通過(guò)CCD相機(jī)對(duì)櫻桃的圖像進(jìn)行實(shí)時(shí)采集，之后對(duì)圖像進(jìn)行二值化并加上腐蝕和膨脹等形態(tài)學(xué)操作，從而將櫻桃與背景進(jìn)行分割，將提取出來(lái)的果實(shí)部分再傳送給控制器，此櫻桃采摘機(jī)器人的視覺(jué)系統(tǒng)最終能夠識(shí)別出櫻桃存在的整片區(qū)域。積層：卷積層的主要目的在于充分的提取特征，卷積層中最重要的單元是卷積核，每一個(gè)卷積核相當(dāng)于一個(gè)過(guò)濾網(wǎng)，能夠把符合條件的特征信息篩選過(guò)濾出來(lái)，卷積核包含多種尺寸，例如有3×3卷積核、5×5卷積核等等，大的卷積核能夠使得特征快速充分的提取出來(lái)，但是需要的參數(shù)更多，數(shù)據(jù)量更大，小的卷積核訓(xùn)練的參數(shù)較小，數(shù)據(jù)量較小，所以需要根據(jù)目標(biāo)識(shí)別系統(tǒng)的具體特點(diǎn)和識(shí)別任務(wù)的不同來(lái)進(jìn)行分析，之后選出合適的卷積核。池化層：池化層的主要目的是將卷積層處理之后的數(shù)據(jù)量進(jìn)行縮小。因?yàn)橥ㄟ^(guò)卷積之后的圖像數(shù)據(jù)量一般遠(yuǎn)遠(yuǎn)大于原始數(shù)據(jù)量，并且包含很多的重復(fù)信息或者說(shuō)無(wú)用信息。為了解決這個(gè)問(wèn)題，需要對(duì)數(shù)據(jù)量進(jìn)行縮減，也就是池化。池化又分為若干種，較為常用的有最大池化和平均池化。最大池化就是將模板當(dāng)中的最大值元素作為池化最終結(jié)果進(jìn)行輸出、平均池化就是將模板當(dāng)中的所有元素相加取平均作為池化的最終結(jié)果進(jìn)行輸出。最終經(jīng)過(guò)池化之后，數(shù)據(jù)量大大減少，特征提取的也較為充分，可以進(jìn)行下一步的處理。輸出層：輸出層主要是將池化之后的結(jié)果進(jìn)行進(jìn)一步的全連接處理，最終輸出結(jié)果，如圖1所示。

圖1 bp網(wǎng)絡(luò)結(jié)構(gòu)圖

2 深度學(xué)習(xí)目標(biāo)檢測(cè)

2.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

深度學(xué)習(xí)的靈感來(lái)源于生物的大腦認(rèn)知原理，尤其是大腦對(duì)于視覺(jué)的處理過(guò)程。大腦對(duì)于圖像的信號(hào)處理過(guò)程是：首先進(jìn)行圖像的攝入，之后通過(guò)大腦的神經(jīng)元與神經(jīng)網(wǎng)絡(luò)對(duì)眼前的圖像進(jìn)行處理，具體過(guò)程是抽象的，然后根據(jù)抽象結(jié)果，大腦進(jìn)行目標(biāo)的判斷和識(shí)別。

計(jì)算機(jī)科學(xué)家受到生物學(xué)當(dāng)中的神經(jīng)網(wǎng)絡(luò)啟發(fā)，想到模仿人腦的特點(diǎn)，構(gòu)造出人工神經(jīng)網(wǎng)絡(luò)。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)主要是用來(lái)處理圖像的神經(jīng)網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)結(jié)構(gòu)的不同之處在于，卷積神經(jīng)網(wǎng)絡(luò)在最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之上加入了卷積層和池化層。所以，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)大致可以分為四個(gè)部分：輸入層、卷積層、池化層、輸出層。輸入層：輸入層主要負(fù)責(zé)輸入目標(biāo)信息，具體包含圖像的信息、像素的信息等等。卷

2.3 深度學(xué)習(xí)方法檢測(cè)前沿進(jìn)展

深度學(xué)習(xí)方法現(xiàn)階段已經(jīng)越來(lái)越多的應(yīng)用到檢測(cè)識(shí)別領(lǐng)域之中，以水果檢測(cè)為例，王海青等采用BP神經(jīng)網(wǎng)絡(luò)分割蘋果圖像，提取 3 個(gè)紋理特征值和 4 個(gè)幾何特征值輸入到網(wǎng)絡(luò)當(dāng)中作為輸入層數(shù)據(jù)，之后經(jīng)過(guò)訓(xùn)練，輸出蘋果的識(shí)別結(jié)果。針對(duì)蘋果識(shí)別，劉海全選取的是faster rcnn網(wǎng)絡(luò)框架，沒(méi)有對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，此網(wǎng)絡(luò)主要由三部分構(gòu)成：特征提取、區(qū)域生成網(wǎng)絡(luò)（RPN）和fast rcnn。直接將采集到的蘋果圖像數(shù)據(jù)集輸入網(wǎng)絡(luò)做整體處理，最終得出的識(shí)別率為 79．32%。

此外，除了這兩種網(wǎng)絡(luò)框架，rcnn在2014年被發(fā)表、SPP-NET在2014年被發(fā)表、yolo在2016年被發(fā)表、fast rcnn在2015年被發(fā)表、這幾種發(fā)表的網(wǎng)絡(luò)均廣泛用于深度學(xué)習(xí)物體檢測(cè)中，當(dāng)然還有ResNeXt、DenseNet等網(wǎng)絡(luò)也較為常用。

3 深度學(xué)習(xí)目標(biāo)識(shí)別與傳統(tǒng)目標(biāo)識(shí)別算法前沿方案進(jìn)展與比較

傳統(tǒng)目標(biāo)識(shí)別算法的優(yōu)點(diǎn)在于能夠?qū)⒆R(shí)別特征清晰的顯現(xiàn)出來(lái)，并且如果目標(biāo)較為簡(jiǎn)單，輪廓較為清晰或者顏色對(duì)比較為鮮明，那么采用傳統(tǒng)目標(biāo)識(shí)別算法便可以很好的將目標(biāo)識(shí)別出來(lái)，且算法的復(fù)雜度較低。

針對(duì)調(diào)研的有關(guān)目標(biāo)檢測(cè)的結(jié)果，統(tǒng)計(jì)了不同論文當(dāng)中傳統(tǒng)算法和深度學(xué)習(xí)算法的使用次數(shù)以及使用效果，發(fā)現(xiàn)針對(duì)于較為復(fù)雜的目標(biāo)，例如人臉、車輛等使用深度學(xué)習(xí)的算法較多，且效果較好。針對(duì)于較為簡(jiǎn)單，特征較為明顯的目標(biāo)，例如蘋果、番茄、球類等使用傳統(tǒng)的目標(biāo)識(shí)別算法較多，且效果較好。具體統(tǒng)計(jì)結(jié)果見(jiàn)表1。

表1 調(diào)研統(tǒng)計(jì)結(jié)果

目前，以蘋果檢測(cè)為例，對(duì)蘋果進(jìn)行識(shí)別的思路大致分為四種：第一種是全部過(guò)程均利用神經(jīng)網(wǎng)絡(luò)，將蘋果圖像作為輸入，直接進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最終輸出識(shí)別結(jié)果。第二種是全部過(guò)程均采用傳統(tǒng)視覺(jué)方法，針對(duì)蘋果的形狀、顏色等特征，對(duì)蘋果進(jìn)行特征的分析，并根據(jù)特征對(duì)蘋果進(jìn)行識(shí)別。第三種是先采用神經(jīng)網(wǎng)絡(luò)方法對(duì)蘋果果實(shí)和背景進(jìn)行分割，之后再用傳統(tǒng)視覺(jué)方法進(jìn)行識(shí)別。第四種是先采用傳統(tǒng)分割方法對(duì)蘋果果實(shí)和背景進(jìn)行分割，之后采用神經(jīng)網(wǎng)絡(luò)對(duì)蘋果進(jìn)行識(shí)別。前兩種思路已經(jīng)分別在前面章節(jié)做了介紹，第三種和第四種思路屬于深度學(xué)習(xí)與傳統(tǒng)方法的融合。

張亞靜、劉剛等人實(shí)現(xiàn)了第一種思路的蘋果識(shí)別算法，他們先采用BP神經(jīng)網(wǎng)絡(luò)對(duì)蘋果果實(shí)與背景進(jìn)行分割，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層，輸入層有3個(gè)神經(jīng)元，以R/B值、對(duì)比度值和亮度值作為輸入，中間隱藏層為6個(gè)神經(jīng)元，最終輸出層為1個(gè)神經(jīng)元，之后利用分割結(jié)果采用霍夫變換進(jìn)行圓擬合，實(shí)現(xiàn)對(duì)蘋果的識(shí)別。該作者最后做了識(shí)別率驗(yàn)證試驗(yàn)、試驗(yàn)條件為果園中陰天和晴天采集的蘋果照片共200張、做了整體識(shí)別率測(cè)試，識(shí)別率為 87．6%。

李曉洋、唐磊等人實(shí)現(xiàn)了第二種思路的蘋果識(shí)別算法，首先利用聚類算法將蘋果果實(shí)與背景進(jìn)行分割，之后利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)蘋果圖像進(jìn)行訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)共有三層，分別為輸入層，中間層和輸出層，輸入層有16個(gè)神經(jīng)元，分別輸入分割后圖像的RGB、HIS等顏色特征分量和分割輪廓的周長(zhǎng)面積比等特征，中間層也為16個(gè)神經(jīng)元，然后通過(guò)輸出層將識(shí)別結(jié)果輸出。

張亞靜、劉剛等人實(shí)現(xiàn)了第一種思路的蘋果識(shí)別算法，他們先采用BP神經(jīng)網(wǎng)絡(luò)對(duì)蘋果果實(shí)與背景進(jìn)行分割，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層，輸入層有3個(gè)神經(jīng)元，以R/B值、對(duì)比度值和亮度值作為輸入，中間隱藏層為6個(gè)神經(jīng)元，最終輸出層為1個(gè)神經(jīng)元，之后利用分割結(jié)果采用霍夫變換進(jìn)行圓擬合，實(shí)現(xiàn)對(duì)蘋果的識(shí)別，如圖2。

該作者最后做了識(shí)別率驗(yàn)證試驗(yàn)、試驗(yàn)條件為果園中陰天和晴天采集的蘋果照片共500張、識(shí)別率檢測(cè)時(shí)按照單個(gè)蘋果、枝葉遮擋下的蘋果和重疊蘋果做了分類，并最終做了整體識(shí)別率的測(cè)試，整體識(shí)別率為86．3%，如表2。

圖2 蘋果識(shí)別效果

表2 兩種不同結(jié)合思路效果統(tǒng)計(jì)表

綜合以上算法的分類與比較發(fā)現(xiàn)，對(duì)一個(gè)物體進(jìn)行檢測(cè)和識(shí)別的方法有多種多樣，方法的不同，最終得到的結(jié)果也不同，傳統(tǒng)方法在現(xiàn)階段如果能對(duì)特征進(jìn)行詳細(xì)的分析，在特征的基礎(chǔ)上進(jìn)行識(shí)別檢測(cè)，那么也可以達(dá)到滿意的效果，但是缺點(diǎn)就是過(guò)程繁瑣，且結(jié)果不一定好。而深度學(xué)習(xí)方法在檢測(cè)領(lǐng)域有著簡(jiǎn)單準(zhǔn)確的特點(diǎn)，采用網(wǎng)絡(luò)，進(jìn)行參數(shù)的調(diào)整，訓(xùn)練、測(cè)試，最終能夠達(dá)到較好的效果，不需要對(duì)特征進(jìn)行具體闡明。另外，將深度學(xué)習(xí)算法與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法結(jié)合，一定程度上效果會(huì)更好，因?yàn)榻?jīng)過(guò)傳統(tǒng)方法對(duì)特征的提取，特征更加明確，網(wǎng)絡(luò)訓(xùn)練效果更為顯著。

4 結(jié)語(yǔ)

本文研究了計(jì)算機(jī)領(lǐng)域目標(biāo)識(shí)別的算法，包含傳統(tǒng)目標(biāo)識(shí)別算法和深度學(xué)習(xí)目標(biāo)識(shí)別算法，傳統(tǒng)目標(biāo)識(shí)別算法大致分為以下步驟：預(yù)處理、顏色空間選擇、分割算法、后處理等等，深度學(xué)習(xí)目標(biāo)識(shí)別算法主要包含卷積神經(jīng)網(wǎng)絡(luò)等。之后針對(duì)這兩種算法的前沿解決方案做了詳細(xì)的分析，并將二者結(jié)合的思路做了闡述、分析、分類與對(duì)比，得出了相關(guān)結(jié)論。