魏 彬

（陜西鐵路工程職業(yè)技術(shù)學(xué)院，渭南 714000）

0 概述

圖像對(duì)象的分類和檢測(cè)是計(jì)算機(jī)視覺中最基本的兩個(gè)問題。當(dāng)前，行業(yè)內(nèi)關(guān)于機(jī)器學(xué)習(xí)領(lǐng)域的核心是對(duì)象分類及檢測(cè)，在人臉識(shí)別，安全領(lǐng)域的行人檢測(cè)，智能化視頻分析、行人跟蹤、對(duì)象識(shí)別、車輛交通事故現(xiàn)場(chǎng)的交通統(tǒng)計(jì)、交通逆行檢測(cè)、車輛牌照檢測(cè)識(shí)別以及基于內(nèi)容的圖像分析的互聯(lián)網(wǎng)、相冊(cè)自動(dòng)分類等已得到了應(yīng)用。

基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)已經(jīng)應(yīng)用到人們?nèi)粘Ｉ畹母鱾€(gè)方面，而圖像識(shí)別中的核心手段為分類與識(shí)別，集成深度學(xué)習(xí)等機(jī)器學(xué)習(xí)技術(shù)，提升了圖像分類及識(shí)別的效率。在文獻(xiàn)[1]中，Soheil等人提出了多模式任務(wù)驅(qū)動(dòng)的字典學(xué)習(xí)圖像分類算法，該算法通過以字典原子的稀疏線性組合作為輸入信號(hào)，已經(jīng)成功地用于重新構(gòu)建和鑒別性的任務(wù)；雖然該方法大多是針對(duì)單模態(tài)場(chǎng)景而開發(fā)的，但最近的研究已經(jīng)證明了基于多模態(tài)輸入的聯(lián)合稀疏表示的特征級(jí)融合的優(yōu)點(diǎn)。R Ji[2]的研究團(tuán)隊(duì)提出了一種新的基于光譜空間約束的高光譜圖像分類方法，主要用于處理像素譜和空間約束的關(guān)系。文獻(xiàn)[3]中，作者對(duì)腹側(cè)視覺流的前饋層次模型進(jìn)行了研究，主要應(yīng)用于功能腦圖像的分類。

關(guān)于圖像對(duì)象分類以及識(shí)別問題的研究主要分為三個(gè)層次：實(shí)例級(jí)、類級(jí)和語(yǔ)義級(jí)。①實(shí)例級(jí)：由于圖像特征中的光照、拍攝角度、拍攝距離、拍攝對(duì)象本身所具備其它特征，造成在對(duì)象識(shí)別過程中產(chǎn)生較大的變化，視覺識(shí)別算法的執(zhí)行存在較大的困難；②類級(jí)別：困難和挑戰(zhàn)往往來(lái)自于三個(gè)方面，第一個(gè)是課堂上的差異，即同一類型對(duì)象顯著特征有較大的差異，同時(shí)在實(shí)例級(jí)中提到的各種動(dòng)態(tài)變化和背景干擾，但在實(shí)際的拍攝過程中，攝影對(duì)象是不可能處于靜態(tài)環(huán)境，因此由于復(fù)雜的識(shí)別環(huán)境造成難以識(shí)別的問題；③語(yǔ)義層面：與視覺語(yǔ)義相關(guān)的圖像，難度水平通常很難處理，尤其對(duì)于當(dāng)前的計(jì)算機(jī)視覺技術(shù)，面臨最大的問題是解決多重穩(wěn)定性特征。因此，為了解決上述缺陷和不足，本文提出了一種新的基于圖像多特征提取和改進(jìn)的SVM（Support vector machine，SVM）圖像識(shí)別算法，并對(duì)其進(jìn)行了理論分析和數(shù)值分析[4-7]。

1 圖像特征提取技術(shù)及方法

針對(duì)圖像多特征的特性，單一特征只能描述圖像的部分屬性，因此只能片面的描述圖像，缺乏足夠的特征信息來(lái)區(qū)分圖像。本文所提出的綜合特征提取方法，第一步是對(duì)圖像的基本特征進(jìn)行目標(biāo)分類和框架檢測(cè)，包含兩個(gè)辦法，一種是基于興趣點(diǎn)檢測(cè)，另一種是集中提取。興趣點(diǎn)檢測(cè)實(shí)現(xiàn)過程是定制相關(guān)檢測(cè)標(biāo)準(zhǔn)，如以具有明顯特征的局部紋理像素—邊、角、塊等；然而近年來(lái)使用較多的對(duì)象分類領(lǐng)域是集中提取方法，主要從圖像的固定步長(zhǎng)、規(guī)模、大局部特征的數(shù)量等方面，大量的局部描述雖然具有更高的冗余度，但更豐富的信息相比興趣點(diǎn)檢測(cè)更好的性能。

業(yè)內(nèi)核心的圖像分類算法是綜合了多種特征、提取辦法和興趣點(diǎn)檢測(cè)相融合，這種處理方式是通過對(duì)大量冗余特征進(jìn)行處理完成特征提取，提升了有用信息的利用。事實(shí)上，今年來(lái)廣泛使用的圖像識(shí)別方法（深度學(xué)習(xí)）的核心問題是視覺信息處理過程中綜合特征集的設(shè)計(jì)，綜合特征集的合并可以參考以下方程：

對(duì)于圖像集中提取的特征中包含了大量的冗余和噪聲，因此為了實(shí)現(xiàn)圖像特征表達(dá)的魯棒性，業(yè)界利用特征變換算法對(duì)底層進(jìn)行編碼設(shè)計(jì)，實(shí)現(xiàn)圖像特征更健壯及區(qū)別性特征的表達(dá)，許多研究工作都集中在尋找更強(qiáng)大的特征編碼方法。矢量量化編碼通過一個(gè)小的特征集來(lái)描述底層的特征，局部特征在實(shí)際圖像中往往具有一定的模糊性，下面的公式給出了正弦變換的過程。

對(duì)于一個(gè)大型的特性集，相關(guān)聯(lián)的對(duì)象通常只有一些功能，例如，自行車的核心特征部分，如車輪、車把和視覺特征是密切相關(guān)的。稀疏編碼后的局部特征可能會(huì)以不同的視覺語(yǔ)言做出回應(yīng)，而不連續(xù)性的轉(zhuǎn)換造成編碼特征的不匹配，對(duì)最終的圖像識(shí)別率有較大影響。為了解決這個(gè)問題，本文結(jié)合PCNN技術(shù)來(lái)獲得更高的精度，PCNN 的結(jié)構(gòu)是二維的神經(jīng)元，每個(gè)神經(jīng)元都與圖像中對(duì)應(yīng)的像素相連接。在如下公式中描述了神經(jīng)元與圖像特征的連接表述。

在局部流形上編碼重構(gòu)的基本特征，既解決了編碼不連續(xù)性特征的問題，也不會(huì)保持稀疏矩陣的特點(diǎn)。在編碼中約束的局部特性，原理上提升額字符編碼過程問題的連續(xù)性，如圖1所示為PCNN模型流程圖。

圖1 PCNN的基本模型Fig.1 PCNN basic model

與傳統(tǒng)的基于重構(gòu)的特征編碼方法不同，F(xiàn)isher矢量編碼同時(shí)結(jié)合了生產(chǎn)模型和判別式模型的能力，記錄了局部特征和視覺詞的差異及二階之間的區(qū)別?？臻g特征組合在集成操作的特征集合中，通過編碼的特征，可分析得出特征向量的表達(dá)式。在絕大多數(shù)收斂性能的情況下最大聚集比一般的好，也是分類中使用最廣泛的。不再使用視覺詞匯來(lái)描述局部特征，而是用一個(gè)加權(quán)、有效地解決視覺詞歧義問題，提高物體識(shí)別精度的方法來(lái)描述。稀疏編碼的最小平方重構(gòu)，在一個(gè)完整的過程中通過加入稀疏約束完成稀疏性反應(yīng)的實(shí)施。一般來(lái)說(shuō)，利用對(duì)象分類算法按照手工特征或全局特征進(jìn)行圖像整體描述，然后通過分類器識(shí)別是否有某個(gè)對(duì)象，對(duì)象的檢測(cè)任務(wù)比較復(fù)雜如下公式描述該特征，如圖2所示為特征提取的過程描述[8-9]。

圖2 特征提取過程Fig.2 Feature extraction process

2 圖像識(shí)別算法

2.1 SVM和深度學(xué)習(xí)模型的概述

傳統(tǒng)的分類算法是采用SVM 進(jìn)行分類，通過圖像特征提取到特征表達(dá)式形成后，形成固定維度 向量，隨后是完成對(duì)圖像的分類。分類器包含支持向量機(jī)（SVM）、k-鄰居、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等，SVM主要在圖像分類實(shí)現(xiàn)中使用，通過研究一個(gè)完整的稀疏特征，可以在高維特征空間中利用線性支持向量機(jī)（SVM）來(lái)提高線性分離特征。隨著對(duì)象分類研究的深入，視覺詞匯量的增加，圖像的表達(dá)維度也在增加，這樣的高維數(shù)據(jù)，與數(shù)以萬(wàn)計(jì)的數(shù)據(jù)樣本相比，與傳統(tǒng)的模式分類問題有很大的不同。

為了保持?jǐn)?shù)據(jù)中最重要的數(shù)據(jù)，需要設(shè)置隱藏層單元數(shù)量小于數(shù)據(jù)輸入的維度，實(shí)現(xiàn)數(shù)據(jù)維度的減少和特征編碼。首先從對(duì)可見層的原始輸入開始，訓(xùn)練一個(gè)單一的物質(zhì)，然后將物質(zhì)重量的第一層固定作為一個(gè)新的可視層。通過貪婪的無(wú)監(jiān)督訓(xùn)練，可使整個(gè)DBN 模型[10-11]獲得一個(gè)更好的初始值，然后通過生產(chǎn)或判別方法添加標(biāo)簽信息，對(duì)整個(gè)網(wǎng)絡(luò)監(jiān)管進(jìn)行微調(diào)，進(jìn)一步提高網(wǎng)絡(luò)性能。

2.2 算法模型

相關(guān)研究證明，在以信息量作為基本變量前提下，采用多分類機(jī)器學(xué)習(xí)算法比單分類機(jī)器學(xué)習(xí)算法的泛化能力更優(yōu)。雖然該算法具有較好的泛化能力，但通常包含大量冗余信息，極大得降低了泛化學(xué)習(xí)能力的效率。此外，許多特征組合將導(dǎo)致更高維度，而特征維度的上升將導(dǎo)致SVM 訓(xùn)練和測(cè)試被占用的時(shí)間增長(zhǎng)。因此，在使用圖像分類算法時(shí)，需要減少提取特征的維數(shù)，去掉特征中的冗余信息。

圖3 所提方法的流程圖Fig.3 Flow chart of the proposed method

在詞包模型設(shè)計(jì)過程中，利用神經(jīng)網(wǎng)絡(luò)的卷積層設(shè)計(jì)原理，實(shí)現(xiàn)特征編碼及運(yùn)算的收斂層和詞包模型的收斂性，兩者的區(qū)別在于詞包模型中只包含一個(gè)有效地卷積模型和收斂層，并用表達(dá)式的形式使用無(wú)監(jiān)督學(xué)習(xí)特征的模型和卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)特征表達(dá)效果的提升。歐氏距離最小的表達(dá)式如下：

從模型設(shè)計(jì)角度考慮，圖像對(duì)象檢測(cè)的核心是采用組件模型的變量，對(duì)象分類模型主要采用實(shí)詞包模型，不同模型使用特征信息是不同的，圖像對(duì)象檢測(cè)更多是利用自身特征信息來(lái)完成對(duì)象分類。局部信息的對(duì)象考慮更多的結(jié)構(gòu)信息，使對(duì)象檢測(cè)和分類精度較高，但在分類過程中魯棒性較差；全局特征信息可考慮圖像的全局信息，特別是圖像的語(yǔ)義信息，但是信息量的增加可能導(dǎo)致精度的提高，也可能是由于冗余降低了分類的性能，但從統(tǒng)計(jì)意義上來(lái)說(shuō)，它的健壯性可以得到提高，以下公式為該模型的公式化表述。

對(duì)象分類的目的是檢測(cè)是否包含所需特征的圖像；對(duì)象檢測(cè)的目的是根據(jù)特征確定圖像中對(duì)象的位置，因此對(duì)象結(jié)構(gòu)更是至關(guān)重要。在大數(shù)據(jù)時(shí)代，來(lái)自復(fù)雜變異性的海量視頻數(shù)據(jù)將對(duì)傳統(tǒng)學(xué)習(xí)方法的特點(diǎn)帶來(lái)巨大挑戰(zhàn)；而對(duì)模型表達(dá)能力的深度學(xué)習(xí)，強(qiáng)烈的自然數(shù)據(jù)無(wú)疑會(huì)對(duì)大數(shù)據(jù)在視覺研究的背景下產(chǎn)生巨大的影響。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文算法的有效性，在Windows 平臺(tái)上，選擇了Laplacian priori Matlab 2011b 環(huán)境模型、電視先驗(yàn)?zāi)Ｐ秃虶MRF 先驗(yàn)?zāi)Ｐ?，與算法進(jìn)行了比較，實(shí)驗(yàn)環(huán)境設(shè)置如表1所示：

表1 實(shí)驗(yàn)環(huán)境設(shè)置表Tab.1 Experimental environment setting table

3.2 實(shí)驗(yàn)結(jié)果

圖5 實(shí)驗(yàn)結(jié)果Fig.5 Experimental results

如圖5所示為按照所設(shè)置的實(shí)驗(yàn)環(huán)境進(jìn)行分類的結(jié)果圖。針對(duì)目前的圖像分類方法，未能充分利用各種單一特征圖像在互補(bǔ)性特征與大量冗余信息的存在中提取特征之間，造成圖像分類精度不高。

4 結(jié)語(yǔ)

圖像對(duì)象的分類和檢測(cè)是計(jì)算機(jī)視覺中最基本的兩個(gè)問題，目前已應(yīng)用了許多領(lǐng)域，如行為檢測(cè)、人臉識(shí)別、視頻圖像分析、智能交通等。機(jī)器識(shí)別的研究對(duì)于對(duì)象分類及檢測(cè)具有理論意義和應(yīng)用價(jià)值，因此，文章討論了對(duì)象分類與識(shí)別的相關(guān)聯(lián)系，并在此基礎(chǔ)上對(duì)兩種方向的學(xué)習(xí)和結(jié)構(gòu)進(jìn)行了深度學(xué)習(xí)。