張中良

摘 要：機器視覺的圖像目標識別方法是目前國內外相關領域學者的研究重點和研究熱點。首先就機器視覺的圖像目標識別作了簡要介紹，然后針對圖像目標識別的關鍵技術，即圖像預處理、圖像分割和特征提取，總結、歸納了國內外的研究現狀，指出各方面存在的問題，最后就機器視覺的圖像目標識別技術的發(fā)展方向作了展望。

關鍵詞：機器視覺；圖像目標識別；圖像預處理；圖像分割

中圖分類號：TP391.41 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.14.032

圖像目標識別作為機器視覺中的一個重要研究領域，現已被廣泛應用于農業(yè)、工業(yè)、國防、醫(yī)療及日常生活等領域，比如農作物藥物噴灑、工業(yè)自動化、軍事偵查、醫(yī)療輔助及交通便利等。由于識別背景、環(huán)境及目標的復雜性，機器視覺圖像目標的高效、準確識別具有一定的困難。因此，機器視覺如何高效、準確地識別圖像目標，已成為近年來國內外學者研究的重點。

機器視覺的圖像目標識別主要利用模式識別和圖像處理，即從大量的圖片中學習后提取目標圖像，并進行目標分類。與計算機視覺不同，機器視覺的圖像目標識別更加注重實時性，所以其自動獲取圖像與高效分析圖像的能力尤為重要。目前，國內外學者對機器視覺的圖像目標識別進行了大量研究，但在識別精度、識別時間及抗干擾能力等方面仍然存在不足。本文就機器視覺的圖像目標識別方法的關鍵問題進行探討，并對其發(fā)展的方向進行展望。

1 圖像預處理

圖像預處理是對機器視覺獲取的圖像目標進行灰度矯正、噪聲過濾等，使得圖像目標中有用的信息更容易被提取。圖像預處理的流程如圖1所示。

圖像預處理需要對圖像進行平移、旋轉和縮放等幾何規(guī)范，使得圖像識別能夠快速、準確。同時，圖像濾波的主要目的是在保持圖像特征的狀態(tài)下進行噪聲消除，其可分為線性濾波和非線性濾波。與線性濾波相比，非線性濾波能夠在去噪的同時保護圖像細節(jié)，是目前圖像濾波方法中研究的熱點。非線性濾波中具有代表性的是卡爾曼濾波和粒子濾波?？柭鼮V波具有簡單性和魯棒性較好的優(yōu)點，被廣泛應用于機器視覺跟蹤。文獻[12]利用改進的卡爾曼濾波提高了大氣數據同化；文獻[13]提出了無極卡爾曼濾波，使得圖像更加精確。對于粒子濾波算法，還存在退化現象、樣本匱乏及自適應粒子數量選擇策略等問題，是目前國內外學者的研究熱點。另外，圖像邊緣是圖像目標的一個重要區(qū)域，圖像邊緣檢測技術對于圖像預處理十分重要。文獻[15]給出了多種邊緣檢測技術在實際應用中選擇最優(yōu)檢測技術的方案，文獻[16]利用多尺度、多結構的數學形態(tài)對圖像目標進行了邊緣提取，穩(wěn)定性更高。

從國內外的研究現狀來看，圖像預處理對于機器視覺的圖像目標識別具有重要作用，其幾何規(guī)范、圖像濾波和圖像邊緣檢測不斷有新的方法被提出，目的在于提高精度和效率。

2 圖像分割

圖像分割是實現機器視覺圖像自動識別與分析的重要問題，其分割質量對后續(xù)圖像的分析具有重要影響?？焖佟⒕_地將特征目標從復雜的圖像中分割出來一直是國內外學者的研究重點。圖像分割可采用3種途徑，即區(qū)域分割、邊界分割和邊界形成分割。圖像分割的方法有多種，其中，最常用的分割方法是閾值法，但這種方法適用范圍較小、分割精度較差；能量最小化方法在過去30年得到了巨大發(fā)展，但是其計算效率偏低；基于圖割的圖像分割方法能夠逼近最優(yōu)解，計算效率高，但存在不一定收斂的缺點。

近年來，隨著圖像分割要求的精度和效率越來越高，基于混合方法的圖像分割技術被提出，即集合多種方法進行圖像分割，以獲得最優(yōu)的分割結果。這也成為機器視覺圖像分割未來的主要發(fā)展方向。

3 特征提取

作為機器視覺圖像目標識別的一個中間節(jié)點，特征提取對目標識別的精度和速度具有重要影響。從復雜的圖像信息中提取有用的特征，對實現機器視覺的目標識別起到決定性的作用。

根據不同分類方法，可將圖像特征分為多種類型，例如可根據區(qū)域大小分為全局特征和局部特征，根據統(tǒng)計特征分為矩特征、輪廓特征及紋理特征等。與全局特征相比，用局部特征在復雜的背景下對圖像目標進行描述非常高效，常用的檢測方法有稀疏選取、密集選取和其他方法選取。從現有的研究成果來看，這3類方法都有一定的不足——對圖像目標背景依賴性大，因此，采用多種描述子進行機器視覺的圖像目標識別是一種發(fā)展趨勢。

對于圖像特征提取，不同的描述子不斷被提出，其中，GLOH（Gradient location orientation histograms）和SIFT（Scale invariant feature transform）描述子性能穩(wěn)定，應用較為廣泛；SURF（Speeded-up robust features）描述子在圖像目標特征明顯時能夠快速識別，應用效果較好。除此之外，不變矩和導向濾波器在低維描述子中表現較好。

4 結論

通過對現有文獻中的研究成果進行總結和分析可以發(fā)現，機器視覺的圖像目標識別是目前國內外眾多學者的研究熱點，其圖像預處理、圖像分割和特征提取技術各方面都得到了快速發(fā)展，高速、精確及立體化、智能化是未來機器視覺的圖像目標識別技術發(fā)展的重要方向。

參考文獻

[1]Patil S B，Bodhe S K.Leaf disease severity measurement using image processing.International Journal of Engineering and Technology，2011，3（5）：297-301.

[2]王靖，李少華，謝守勇.基于機器視覺的目標識別方法研究[J].西南師范大學學報（自然科學版），2015，40（6）：130-133.

[3]陳景文.自動識別技術及其在軍事領域中的應用[J].現代電子技術，2006，19（234）：29-31.

[4]Bartel D P.MicroRNAs：target recognition and recognition and regulatory functions. Cell，2009，136（2）：215-233.

[5]王耀南，李樹濤，毛建旭.計算機圖像處理與識別技術[M].北京：高等教育出版社，2001：23-24.

[6]吳紀超.機器視覺圖像中目標提取識別算法研究[D].保定：河北農業(yè)大學，2010.

[7]張正炳，朱耀庭，朱光喜，等.實現圖像幾何變換的迭代函數系統(tǒng)參數修改法[J].數據采集與處理，1996，11（3）：168-171.

[8]肖斌.基于不變矩的圖像幾何變換不變性識別研究[D].西安：陜西師范大學，2007.

[9]Tang K J， Astola J， Neuvo Y.Nonlinear multivariate image filtering techniques.IEEE Transactions on Image Processing，1995，4（6）：788-798.

[10]Basar T.A new approach to linear filtering and prediction problems.J.basic Eng. trans.asme，1960，82（1）：35-45.

[11]Carpenter J，Clifford P，Fearnhead P.Improved particle filter for non-linear problems.IEEE Proceedings F，1999，146（1）：2-7.

[12]Houtekamer P L，Mitchell H L.A sequential ensemble kalman filters for atmospheric data assimilation.Monthly Weather Review，2001，129（1）：123-137.

[13]Srkk S.Bayesian Filtering and Smoothing.Institute of Mathematical Statistics Textbooks，2013，40（4）：S407.

[14]王法勝，魯明羽，趙清杰，等.粒子濾波算法[J].計算機學報，2014，37（8）：1679-1694.

[15]陳娟，陳乾輝，師路歡，等.圖像跟蹤中的邊緣檢測技術[J].中國光學與應用光學，2009，2（1）：46-53.

[16]王芳，錢煒，李文超.基于數學形態(tài)學的圖像邊緣提取方法[J].機械工程與自動化，2015（1）：46-48.

[17]Pal N R，Pal S K.A review on image segmentation techniques.Pattern Recognition， 1993，26（9）：1277-1294.

[18]Bhandarkar S M，Zhang H.A comparison of stochastic optimization techniques for image segmentation.International Journal of Intelligent Systems，2000，15（5）：441-476.

[19]劉松濤，殷福亮.基于圖割的圖像分割方法及其新進展[J].自動化學報，2012，38（6）：911-922.

[20]Qiao S，Zhao C，Huang J，et al.Accelerated H-LBP-based edge extraction method for digital radiography.Nuclear Instruments and Methods in Physics Research Section A：Accelerators Spetrometers，Detectors and Associated Equipment，2015（770）：52-56.

[21]曹健，陳紅倩，毛典輝，等.基于局部特征的圖像目標識別問題綜述[J].中南大學學報（自然科學版），2013，44（2）：258-262.

[22]李文勇.基于機器視覺的果園性誘害蟲在線識別與計數方法研究[D].北京：中國農業(yè)大學，2015.

[23]Mikolajczyk K，Schmid C. A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（10）：1615-1630.

[24]Lowe D.Distinctive image features from scale-invairant keypoints. International Joural of Computer Vision，2004，60（2）：91-110.

[25]Redondo-Cabrera C，Lopez-Sastre R，Acevedo-Rodriguez J，et al.SURFing the point clouds：Selective 3D spatial pyramids for category-level object recognition.Proceeding of the IEEE Conference on the Computer Vision and Pattern Recognition. Providence，Rhode Island：IEEE，2012：3458-3465.

〔編輯：劉曉芳〕