孫通

摘 要：隨著我國科學技術的不斷發(fā)展，我國的計算機視覺技術以及數(shù)字圖像技術也得到了快速的發(fā)展，基于視覺傳感器的目標識別技術在很多領域和行業(yè)都得到了廣泛的應用，將其應用到智能交通系統(tǒng)、自動監(jiān)控系統(tǒng)等方面，可以實現(xiàn)對交通運輸以及區(qū)域的自動監(jiān)控。本文圍繞基于模糊理論的視覺識別和分析技術進行探討。

關鍵詞：模糊理論；視覺識別技術；分析技術

0 引言

在視覺識別和分析技術中，彩色圖形分割是一個重點內(nèi)容，彩色圖像的分割方法傳統(tǒng)采用S和H聯(lián)合的方法分割，雖然分割結(jié)果比較精確，但是整個分割過程卻非常繁瑣，需要花費很多的時間和精力。而從采用基于模糊推理的彩色圖像分割算法就比較簡便，可以達到很好的分割效果，實現(xiàn)視覺識別和分析。

1 基于模糊推理的彩色圖像識別技術

1.1 顏色值的模糊表達

顏色值的模糊表達就是指在顏色空間的基礎上對S和H進行模糊運算。模糊表達的過程主要分為3個步驟，首先是將飽和度S和色調(diào)H模糊量化，然后建立S和H的模糊規(guī)則和隸屬函數(shù)，然后推理出具體的計算方法，實現(xiàn)將S和H轉(zhuǎn)化為對應的C過程。將其模糊化，就是將原本一個真實的已經(jīng)確定的輸入量轉(zhuǎn)化為一個模糊的矢量。在實際的情況下，由于各種數(shù)據(jù)所處的環(huán)境是不一樣的，例如不同時刻的環(huán)境溫度、光的強度等因素是不一樣的，采用精確的量來表示反而會產(chǎn)生較大的誤差，而使用模糊的矢量還更為準確，其表達的信息量也更大。如果模糊化的等級總數(shù)在數(shù)量上達到了一定的值，模糊量化也能夠反映出精確量的特征。在S和H的分割中，主要分割參數(shù)是H，而S是H的輔助分割參數(shù)，實際分割過程中，如果亮度不變，隨著值的增大，色調(diào)H是由紅轉(zhuǎn)變?yōu)樽系摹８鶕?jù)這個顏色空間的特征，再加上人的眼睛對顏色具有識別能力，結(jié)合以前的一些經(jīng)驗，可以將S分為4份，色度H分為8種。在模糊集合論中，就像在概率論中只能統(tǒng)計出一個近似的概率是一樣的，其只能建立一個近似的隸屬度的函數(shù)，因為人們認識事物具有一定的局限性。隸屬函數(shù)的形式變化越慢，其靈敏度和分辨率就越低，系統(tǒng)的穩(wěn)定性越好[1]。因此，一般采用梯形和三角形相結(jié)合的隸屬函數(shù)。采用模糊推理的具體方法將其推算出來。

1.2 基于模糊理論的圖像閾值分割

對色彩值進行模糊表達，在此基礎上采用模糊推理方法對圖像中的不同點的色彩值進行求解，此時利用直方圖統(tǒng)計方法就可以將目標區(qū)域的色彩值的閾值范圍求解出來，然后利用閾值分割方法就可以對圖像進行分割。對一個圖像進行模糊轉(zhuǎn)化，然后對其C值進行統(tǒng)計。為了得到精確的目標區(qū)域C值，可以將目標區(qū)域單獨提取出來進行恩熙，并對其進行直方圖統(tǒng)計，這樣就可以得到目標像素的C的閾值[2]。采用模糊理論的圖像分割算法，可以將目標區(qū)域有效分割出來，通過模糊處理，還可以實現(xiàn)對其的放大和縮小。使圖像分割的模糊性增加，能夠有效減少圖像采集過程中外界環(huán)境對其造成的影響，相對而言其準確性還更高。

1.3 圖像分割之后的目標區(qū)域的識別

圖像經(jīng)過分割、二值化以及膨脹腐蝕，經(jīng)過二值化之后，圖像中不僅有目標區(qū)域，還存在著一些其他的非目標區(qū)域，會對目標區(qū)域造成一定的干擾，因此，此時需要將分割之后得到的各區(qū)域都標記下來，然后根據(jù)目標的特點和形狀等進行識別，最終將目標區(qū)域找出來，還可以將其他的一些非目標的區(qū)域濾掉。在實際的操作過程中，先對圖像進行分割，然后采用連通區(qū)域的搜索算法對已經(jīng)分割之后的目標區(qū)域進行搜索，選定連通目標之后就可以得到結(jié)果，確定經(jīng)過分割之后的圖像有幾個區(qū)域是滿目目標的顏色特征的，然后才能進行接下來的匹配和形狀特征匹配。在這個過程中，需要對目標特征進行提取，需要計算的特征包括區(qū)域面積、區(qū)域周長、圓形度、區(qū)域不變矩等進行計算，然后根據(jù)目標的特征進行匹配，最終根據(jù)目標的形狀和特點進行目標識別。

2 基于模糊理論的視覺追蹤技術

基于模糊理論的視覺分析技術主要是指視覺跟蹤技術，采用攝像機拍攝圖像，然后對圖像序列進行分析，就可以計算出每一個圖像中目標的位置。目標跟蹤是一個動態(tài)的過程，目標圖像的位置、尺寸和形狀會隨著攝像機的高度、位置和環(huán)境等而變化。在目標追蹤中，首先要進行目標搜索和定位，目標搜索就是確定目標的具體位置，可以采用基于云臺旋轉(zhuǎn)的搜索算法和基于機器人旋轉(zhuǎn)的搜索算法，其中基于機器人的旋轉(zhuǎn)搜索算法更為常見。在實際操作過程中，對云臺的水平方向角進行調(diào)整，使其的機器人的正方向的夾角和俯視角都為0，判斷是否有目標，如果沒有，就旋轉(zhuǎn)360°對目標進行搜索，直到找到目標，找到目標之后，調(diào)整機器人的姿態(tài)，然后對準目標，輸出距離信息。搜索目標之后還要確定目標的位置，通過計算得出[3]。在目標的跟蹤中，可以采用基于小型輪式機器人的目標跟蹤運動控制方法進行控制，其是整個跟蹤系統(tǒng)的一個最重要的環(huán)節(jié)，也是最后一個環(huán)節(jié)。

3 結(jié)語

視覺目標識別技術和跟蹤技術具有非常廣泛的應用，其對具體的環(huán)境和目標具有很強的依賴性，因此在不同的環(huán)境背景下對于不同的目標應該根據(jù)實際的情況采用不同的算法。為了提升其準確性，可以充分利用模糊理論進行分析，將模糊理論應用到圖像分割、目標識別和目標跟蹤中，從而發(fā)揮強大的作用，對彩色圖像中的目標進行識別和跟蹤。

參考文獻

[1]孫宇平.基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關鍵技術及應用[D].華南理工大學，2015.

[2]王廷軍.礦山搜尋機器人視覺技術及井下礦工識別理論的研究[D].中國礦業(yè)大學（北京），2011.

[3]常永鑫.基于視覺認知的目標識別技術研究[D].電子科技大學，2015.

（作者單位：廣東美的制冷設備有限公司）