石鐵山

摘 要：近年來，伴隨著圖像處理技術(shù)的飛速發(fā)展，圖像識(shí)別技術(shù)被廣泛應(yīng)用在各個(gè)領(lǐng)域中，發(fā)揮著越來越重要的作用。圖像識(shí)別技術(shù)作為一種建立在信息技術(shù)基礎(chǔ)上的技術(shù)，其主要是借助計(jì)算機(jī)替代人工，快捷地處理各種物理信息。本文就人工智能中的圖像識(shí)別技術(shù)進(jìn)行簡單探討。

關(guān)鍵詞：人工智能 圖像識(shí)別 技術(shù)

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）12（c）-0015-02

伴隨著計(jì)算機(jī)技術(shù)和微電子技術(shù)的快速發(fā)展，推動(dòng)了圖像識(shí)別技術(shù)的產(chǎn)生和發(fā)展，并逐漸成為人工智能領(lǐng)域中重要的組成部分，并廣泛地運(yùn)用于面部識(shí)別、指紋識(shí)別、醫(yī)療診斷、衛(wèi)星云圖識(shí)別等領(lǐng)域中，發(fā)揮重要作用。

1 圖像識(shí)別技術(shù)概述

1.1 圖像識(shí)別技術(shù)的含義

圖像識(shí)別技術(shù)主要指的是通過對(duì)比存儲(chǔ)的信息（存儲(chǔ)在記憶中的信息）和當(dāng)前信息（進(jìn)入感官的信息）從而識(shí)別圖像的一種技術(shù)。圖像識(shí)別技術(shù)是建立在圖像描述的基礎(chǔ)上，而描述主要指的是通過符號(hào)或者數(shù)字等對(duì)景物中或者圖像中的相關(guān)特征予以描述，甚至描述目標(biāo)相互之間的關(guān)系，從而獲得目標(biāo)特征以及相互之間關(guān)系的一種抽象表達(dá)。在應(yīng)用圖像識(shí)別技術(shù)提取圖像或者景物中的個(gè)性特征時(shí)，可以借助模板匹配模型。在具體應(yīng)用實(shí)踐中，特別識(shí)別除了要弄清識(shí)別的對(duì)象具有是什么樣的物體外，還應(yīng)該明確其所在的位置和姿態(tài)。當(dāng)前圖像識(shí)別技術(shù)已經(jīng)被廣泛應(yīng)用的各個(gè)領(lǐng)域中，例如交通領(lǐng)域中的車牌號(hào)識(shí)別、交通標(biāo)志識(shí)別；軍事領(lǐng)域中的飛行物識(shí)別、地形勘察；安全領(lǐng)域中的指紋識(shí)別、人臉識(shí)別等。

1.2 圖像識(shí)別技術(shù)的原理

眾所周知，人眼才能產(chǎn)生視覺效果，可見人的眼睛具有很強(qiáng)的圖像識(shí)別能力。當(dāng)圖像所處的位置、角度、距離等發(fā)生改變時(shí)，視覺效果也會(huì)相應(yīng)改變，在人眼視網(wǎng)膜上形成的圖像形狀和大小也會(huì)相應(yīng)改變，但是這并不會(huì)影響人們對(duì)圖像的判斷。圖像識(shí)別作為人工智能中重要的構(gòu)成部分，該技術(shù)的原理其實(shí)跟人眼識(shí)別的原理存在相似性，都是基于圖像具有明顯的特征。圖像特征作為圖像識(shí)別的重點(diǎn)，以英文大寫字母“A”為例，該字母有一個(gè)突出的尖角，O存在一個(gè)圈，而Y可以看作是有鈍角、銳角、線條共同構(gòu)成，通過捕捉和識(shí)別這些特殊信息，便可以實(shí)現(xiàn)圖像的識(shí)別。另外，客觀地判斷圖像的性質(zhì)和內(nèi)容，并對(duì)其代表的含義進(jìn)行分析。圖像識(shí)別技術(shù)更為貼切地模仿人眼識(shí)別圖像的原理，縮小該技術(shù)和人眼識(shí)別效果二者的差異，借助專門的計(jì)算機(jī)程序，模擬人類對(duì)圖像的識(shí)別過程，從而獲得更多涉及圖像識(shí)別的模型。當(dāng)計(jì)算機(jī)捕捉到某個(gè)圖像時(shí)，假如該圖像特征能夠匹配到人記憶中的感官刺激，便可以成功識(shí)別出該圖像[1]。

2 人工智能中圖像識(shí)別技術(shù)的過程

由于圖像識(shí)別技術(shù)的產(chǎn)生是基于人工智能的基礎(chǔ)上，所以計(jì)算機(jī)圖像識(shí)別的過程與人腦識(shí)別圖像的過程大體一致，而計(jì)算機(jī)圖像識(shí)別僅僅是通過科技和技術(shù)的形式展現(xiàn)出來，歸納起來，該過程主要包括4個(gè)步驟：第一，獲取信息數(shù)據(jù)。獲取信息數(shù)據(jù)是圖像識(shí)別的前提，獲取數(shù)據(jù)主要是借助各種傳感器將光、聲音等特殊信號(hào)轉(zhuǎn)變成電信號(hào)，以獲得相應(yīng)的信息和數(shù)據(jù)，在圖像識(shí)別技術(shù)中，獲取的信息通常為圖像的特征以及特殊數(shù)據(jù)，并且保證這些數(shù)據(jù)和信息能夠用于區(qū)分不同圖形的特征，并將其存儲(chǔ)在計(jì)算機(jī)數(shù)據(jù)庫中，以便為接下來識(shí)別做準(zhǔn)備。第二，預(yù)處理信息數(shù)據(jù)。這一過程的操作主要包含對(duì)圖像去噪、變換、平滑等，主要目的是凸顯圖像的特征和重要信息。第三，抽取和選擇特征。抽取和選擇圖像的特征作為圖像識(shí)別技術(shù)中核心部分，特別是在識(shí)別這一模式下，對(duì)圖形的特殊提出了嚴(yán)格的要求，主要是因?yàn)槌槿『瓦x擇圖像特征質(zhì)量直接影響著圖像最終是否能夠被成功識(shí)別，簡而言之這一過程就是提取不同圖像的特殊特征，提取不同圖形的特殊特征，選擇出能夠區(qū)分圖像的特征，然后有選擇地存儲(chǔ)這些特征，并讓計(jì)算機(jī)對(duì)這些特征進(jìn)行記憶。第四，設(shè)計(jì)分類器并分類決策。該步驟乃圖像識(shí)別的最后一步，設(shè)計(jì)分類器主要指的是通過某種程度制定出一個(gè)識(shí)別規(guī)則，通過該規(guī)則能夠根據(jù)某種規(guī)律來識(shí)別圖像，從而提高圖像識(shí)別過程的辨識(shí)率，通過該規(guī)律能夠凸顯出相似的特征，從而提高圖像識(shí)別過程的辨識(shí)率，此后再通過識(shí)別特殊特征，最終實(shí)現(xiàn)對(duì)圖像的評(píng)價(jià)和確認(rèn)[2]。

3 人工智能中的圖像識(shí)別技術(shù)的常見形式

3.1 模式識(shí)別形式

在人工智能的圖像識(shí)別技術(shù)中，最有效的模型便是模式識(shí)別，模式識(shí)別能夠在大量數(shù)據(jù)和信息的基礎(chǔ)上識(shí)別圖像。模式識(shí)別形式是相關(guān)領(lǐng)域研究者在總結(jié)多年實(shí)踐經(jīng)驗(yàn)和對(duì)圖像識(shí)別的認(rèn)知基礎(chǔ)上，運(yùn)用計(jì)算機(jī)開展相關(guān)計(jì)算，再應(yīng)用數(shù)學(xué)原理進(jìn)行推理，從而自動(dòng)完成識(shí)別圖像的形狀、字符、格式、曲線等各個(gè)特征，在識(shí)別的同時(shí)評(píng)價(jià)這些特征。模式識(shí)別模式主要由兩個(gè)階段構(gòu)成：一是學(xué)習(xí)階段，該階段的實(shí)質(zhì)為存儲(chǔ)過程，即提前采集并存儲(chǔ)圖像特殊的特征、信息、樣本等，在利用計(jì)算機(jī)的存儲(chǔ)記憶功能按照既定的識(shí)別規(guī)律對(duì)這些熟悉聚合信息進(jìn)行分類和識(shí)別，最后構(gòu)成對(duì)應(yīng)的圖像識(shí)別程序。二是實(shí)現(xiàn)階段，該階段要求圖像必須跟腦中的模板完全符合，這樣才能確保識(shí)別程序的完成，站在現(xiàn)實(shí)角度分析，計(jì)算機(jī)的識(shí)別功能和人腦識(shí)別功能存在較大的差異，對(duì)計(jì)算機(jī)而言，其在識(shí)別過程中可以按照之前存儲(chǔ)的特征、信息、數(shù)據(jù)等，將其與最新獲得的圖像信息作匹配，假如按照一定的規(guī)律二者可以成功匹配，那么證實(shí)該圖像已經(jīng)被識(shí)別。值得注意的是：這種識(shí)別是有限的，因此假如某些特征非常相似，便很有可能識(shí)別錯(cuò)誤。

3.2 神經(jīng)網(wǎng)絡(luò)圖像識(shí)別形式

這種識(shí)別屬于一類比較新型的識(shí)別形式，神經(jīng)網(wǎng)絡(luò)圖像識(shí)別形式是在傳統(tǒng)圖像識(shí)別的基礎(chǔ)上融合神經(jīng)網(wǎng)絡(luò)算法。該形式中，神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)中最具代表性的類型，但是其并不是動(dòng)物本身存在的神經(jīng)網(wǎng)絡(luò)，而是人類模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)后通過人工的形成產(chǎn)生的。在神經(jīng)網(wǎng)絡(luò)圖像識(shí)別形式中，遺傳算法和BP網(wǎng)絡(luò)二者有機(jī)融合構(gòu)成的神經(jīng)網(wǎng)絡(luò)圖像識(shí)別是最具代表性的一類，并且被廣泛應(yīng)用在各個(gè)領(lǐng)域中。運(yùn)用神經(jīng)網(wǎng)絡(luò)圖像識(shí)別形式對(duì)圖像識(shí)別時(shí)，通常需要先對(duì)圖像的特征進(jìn)行提取，再將提取到的圖像所有特征映射到神經(jīng)網(wǎng)絡(luò)上，通過這種方式對(duì)圖像識(shí)別分類。

3.3 非線性降維識(shí)別形式

對(duì)計(jì)算機(jī)圖像識(shí)別技術(shù)而言，其最大特征為異常高維，這主要體現(xiàn)于不管圖像其自身的分辨率高低，該圖形形成的數(shù)據(jù)信息大部分擁有多維性特征，如此一來便增加了計(jì)算機(jī)識(shí)別難度。如果要想提升計(jì)算機(jī)圖像識(shí)別的能力，降維是最直接也最有效的方式。降維又由兩類構(gòu)成，一是線性降維；二是非線性降維。其中比較常見的線性降維方法有主成分分析（PCA）和線性奇異分析（LDA）兩類，線性降維最大優(yōu)點(diǎn)為理解，不難理解，但是線性降維是對(duì)整體的數(shù)據(jù)集合開展處理，因此獲得的投影為最優(yōu)低維度。但是在將線性降維運(yùn)用在實(shí)踐中，發(fā)現(xiàn)運(yùn)算的過程很復(fù)雜，并且需要占據(jù)較大的空間，耗費(fèi)較長的時(shí)間。非線性降維是在線性降維的基礎(chǔ)上誕生的，這種圖像識(shí)別技術(shù)屬于一類高效的非線性特征提取方法。非線性降維識(shí)別形式能夠有效發(fā)現(xiàn)圖像的非線性機(jī)構(gòu)，并且能夠在保證不破壞其基本結(jié)構(gòu)的前提下實(shí)現(xiàn)降維，從而確保了計(jì)算機(jī)圖像識(shí)別盡可能在最低的維度上運(yùn)行，極大地提升了識(shí)別的速率[3]。

4 結(jié)語

綜上所述，隨著科技的不斷發(fā)展和進(jìn)步，圖像識(shí)別技術(shù)作為現(xiàn)代科技發(fā)展的產(chǎn)物，受到了社會(huì)各界的廣泛關(guān)注，并且逐漸被廣泛運(yùn)用在各行各業(yè)中。本人堅(jiān)信，在未來的發(fā)展中，圖像識(shí)別技術(shù)將不斷得到推廣和普及，造福人類。

參考文獻(xiàn)

[1] 張嘉豐.關(guān)于人工智能中圖像識(shí)別技術(shù)的研究[J].電子技術(shù)與軟件工程，2018（23）：250-251.

[2] 孟廣仕.圖像識(shí)別技術(shù)在人工智能中的應(yīng)用[J].信息與電腦：理論版，2018（12）：152-153.

[3] 宋炯，柏松平，燕華.基于人工智能的圖像識(shí)別技術(shù)探討[J].科技傳播，2018，10（1）：106-107.