李祥瑞

摘要：本文探討了圖像識別概述，以及機(jī)器視覺的圖像識別算法的現(xiàn)狀，分析了機(jī)器視覺識別的關(guān)鍵技術(shù)，研究了機(jī)器視覺的圖像識別技術(shù)的應(yīng)用。

關(guān)鍵詞：圖像識別;機(jī)器視覺;圖像處理

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2020）01-0110-02

0 引言

近年來，隨著人工智能技術(shù)的飛速發(fā)展，人機(jī)交互的需求也越來越高，圖像識別技術(shù)再次走進(jìn)人們視野。圖像識別技術(shù)是人工智能的重要領(lǐng)域，主要功能是排除圖像中的多余信息，抽出關(guān)鍵信息，從而達(dá)到機(jī)器代替人工實(shí)現(xiàn)對字符、人臉、姿勢等識別。對于復(fù)雜場景，基于機(jī)器視覺的圖像識別技術(shù)體現(xiàn)出其優(yōu)越的穩(wěn)定性、客觀性和準(zhǔn)確性。圖像識別技術(shù)與諸多技術(shù)相關(guān)，因此學(xué)習(xí)相關(guān)技術(shù)是研究圖像識別技術(shù)的基礎(chǔ)。

1 圖像識別概述

圖像識別算法是利用計(jì)算機(jī)的分析處理能力對圖像進(jìn)行分析，提取出圖像的主要特征如顏色特征、紋理特征、形狀特征、局部特征等，去除圖像中的多余信息，再通過圖像分類器進(jìn)行匹配，基于計(jì)算機(jī)處理的結(jié)果判斷不同屬性的目標(biāo)，最終得到設(shè)計(jì)者的預(yù)期。

機(jī)器視覺技術(shù)是利用計(jì)算機(jī)來替代人的視覺，進(jìn)而在三維空間中對事物進(jìn)行一定的判斷?；跈C(jī)器視覺的圖像識別技術(shù)是以數(shù)字圖像處理與識別為基礎(chǔ)，結(jié)合人工智能、虛擬現(xiàn)實(shí)等學(xué)科知識，被廣泛應(yīng)用在航天、醫(yī)療等諸多領(lǐng)域的前沿科技[1]?；跈C(jī)器視覺的圖像識別算法流程大致為圖像獲取、預(yù)處理、特征值提取、圖像匹配等，其基本流程圖如圖1所示。然而，由于圖像的多樣性和復(fù)雜性，高效準(zhǔn)確的識別仍然是比較困難的問題。

2 基于機(jī)器視覺的圖像識別算法的現(xiàn)狀

目前，有多種圖像識別算法，各有各的可取性，但鮮有性能高且魯棒性強(qiáng)的算法。在研究各圖像算法前，要了解圖像特征提取是圖像分析和識別的前提。常用的圖像識別算法為局部特征點(diǎn)的提取，不僅可以大幅度提升計(jì)算機(jī)的運(yùn)行速度，還保留較高的準(zhǔn)確性。局部特征點(diǎn)為圖像的局部表達(dá)，常用局部特征點(diǎn)為斑點(diǎn)和角點(diǎn)。斑點(diǎn)通常指圖像中的灰度差，角點(diǎn)通常指圖像線條交叉部分。斑點(diǎn)檢測主要有LOG、DOG、SIFT、SURF等算法;角點(diǎn)檢測主要有Harris、FAST等算法;二進(jìn)制字符串特征描述有BRIEF算法、BRISK算法、ORB算法、FREAK算法等算法。

3 機(jī)器視覺識別的關(guān)鍵技術(shù)

3.1 圖像獲取

一般情況下，基于機(jī)器視覺的圖像識別算法的圖像獲取主要依賴于攝像機(jī)，攝像機(jī)將采集到的圖像通過圖像采集卡傳輸?shù)接布幚聿糠?，這是進(jìn)行一切圖像處理的前提。

3.2 預(yù)處理

圖像預(yù)處理的目的是減少后續(xù)圖像處理的工作壓力，提前對圖像進(jìn)行去噪、增強(qiáng)、補(bǔ)償?shù)忍幚?，提供清晰度較高的圖像。如今已有的圖像識別算法有上千種，但核心還是邊緣檢測、圖像分割、圖像二值化、灰度檢測等技術(shù)。在圖像預(yù)處理過程中，根據(jù)不同的圖像識別算法，在預(yù)處理階段可對不同的特征值、灰度值等參數(shù)進(jìn)行相應(yīng)處理，處理結(jié)果的質(zhì)量對最終分析的結(jié)果有直接影響。其中邊緣檢測屬于低層視覺中研究的問題，是圖像增強(qiáng)、特征提取、圖像分割等中高層任務(wù)執(zhí)行的基礎(chǔ)[2]。圖像分割的目的是從較復(fù)雜的圖像中將特征目標(biāo)保留下來，但如何從復(fù)雜的圖像中高效的提取出特征目標(biāo)一直是研究的熱點(diǎn)。圖像二值化（Image Binarization）是將整個圖像的像素點(diǎn)設(shè)置為0或255，使圖像呈現(xiàn)黑白效果，極大地減少圖像中數(shù)據(jù)量，突出圖像輪廓。

3.3 特征值提取

特征選取以提取對圖像識別的速率和精度有較大影響。特征提取是使用計(jì)算機(jī)提取圖像信息，決定每個圖像的點(diǎn)是否屬于一個圖像特征。特征提取的作用就是把圖像上各個點(diǎn)劃分為不同的子集如孤立的點(diǎn)、連續(xù)曲線、連續(xù)區(qū)域等。通常圖像的特征為顏色特征、紋理特征、形狀特征、局部特征。

3.4 圖像匹配

圖像匹配不是用來判別兩幅圖像是否相同，而是研究判斷兩幅圖像之間的相似程度，而圖像之間的相似性隨著算法要求的不同而改變。一般情況下我們所使用的相似性是使用圖像匹配算法來判斷兩幅不同圖像中的物體。由于圖像的復(fù)雜性以及圖像獲取時的光照、角度、環(huán)境的不同，所以圖相匹配需要選取合適的特征點(diǎn)來簡化圖像，增強(qiáng)識別準(zhǔn)確性。

4 基于機(jī)器視覺的圖像識別技術(shù)的應(yīng)用

4.1 醫(yī)療領(lǐng)域

基于機(jī)器視覺的圖像識別技術(shù)在醫(yī)療領(lǐng)域展現(xiàn)出極大地價值。隨著“互聯(lián)網(wǎng)+”的興起，互聯(lián)網(wǎng)+醫(yī)療已經(jīng)成為醫(yī)療領(lǐng)域的發(fā)展趨勢。在醫(yī)學(xué)檢測方面，可以有效地進(jìn)行醫(yī)療器械檢測、實(shí)驗(yàn)室檢測等。在臨床醫(yī)學(xué)中也可以結(jié)合多項(xiàng)檢測技術(shù)，對檢測結(jié)果進(jìn)行一定的分析和統(tǒng)計(jì)，幫助進(jìn)行理療診斷。

4.2 工業(yè)領(lǐng)域

隨著我國工業(yè)的不斷發(fā)展，工業(yè)自動化的要求也越來越高，而基于機(jī)器視覺的圖像識別技術(shù)在自動檢測方面得到了很好地應(yīng)用。傳統(tǒng)的自動檢測技術(shù)主要是使用幾何測量技術(shù)，存在檢測速度慢，精度低等缺點(diǎn)，而機(jī)器視覺技術(shù)可以使用多種掃描技術(shù)如激光燈對器件進(jìn)行同步檢測，大大提高了自動檢測的準(zhǔn)確性和精確性[3]。此外，在自動裝配方面，使用機(jī)器視覺技術(shù)可以增強(qiáng)裝配時判斷指標(biāo)，一定程度上降低了對裝配環(huán)境的高要求。

4.3 交通領(lǐng)域

基于機(jī)器視覺的圖像識別算法在交通領(lǐng)域主要應(yīng)用于視頻監(jiān)測、交通管理、車牌識別等方面。在視頻檢測中，通過對交通信息采集，可實(shí)現(xiàn)對車輛、行人的行為檢測以及追蹤定位。在交通管理方面，圖像識別技術(shù)可實(shí)現(xiàn)對車輛的智能疏散，在自動泊車系統(tǒng)中也有一定的應(yīng)用。在車牌識別方面，已經(jīng)十分廣泛的應(yīng)用于各企業(yè)和小區(qū)，對小范圍車輛管理有一定的幫助[4]。此外，隨著無人駕駛技術(shù)的發(fā)展，基于機(jī)器視覺的圖像識別技術(shù)再次得到廣泛關(guān)注。

4.4 生活方面

隨著我國移動支付方式的普及，人臉識別支付已經(jīng)成為一種重要的支付手段。近年來也有將基于機(jī)器視覺的圖像識別算法與智能家居融合的實(shí)例，用于判斷坐姿等是否正確，提出相應(yīng)的整改報告。

5 結(jié)語

總之，機(jī)器視覺的圖形識別算法已經(jīng)在多個領(lǐng)域有了廣泛應(yīng)用，但其仍需要一定的改進(jìn)。在不同復(fù)雜背景下其對攝像機(jī)的要求、對處理器處理速度要求較高，不同的算法處理精度也存在差距。同時，在日常生產(chǎn)生活中，基于機(jī)器視覺的圖像識別算法識別精度高，識別速度慢。與之相比，傳統(tǒng)傳感器識別精度低，但識別速度較快，如何有效的提取二者的優(yōu)勢，同時提高圖像識別的精度與速度也是一個重要的研究方向。

參考文獻(xiàn)

[1] 謝永杰，智賀寧.基于機(jī)器視覺的圖像識別技術(shù)研究綜述[J].科學(xué)技術(shù)創(chuàng)新，2018（07）：74-75.

[2] 薛峰，陳川.機(jī)器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用[J].無線互聯(lián)科技，2016（13）：137+144.

[3] 陳浩.圖像經(jīng)典邊緣檢測算子的研究與比較[J].電腦編程技巧與維護(hù)，2019（12）：150-152.

[4] 王飛.機(jī)器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用[J].電子技術(shù)與軟件工程，2018（16）：246.