图像识别浅析

Posted 2021-04-07 玄武部落

视觉是人类探索未知世界过程中重要信息的载体，让计算机学会‘睁眼’感知世界成了探索未来的重要一环。

人类是怎么通过眼睛来认知世界的？当我们看到某样物体时，我们会在脑海中检索并进行判断之前是否见过相同或者类似的物体，进而来判断识别。机器图像识别的原理也是类似，计算机通过提取，筛选，分类图像的重要特征来识别物体。

图像识别技术发展大致分为四个阶段。

1.   一开始根据人眼识别事物的过程，来建立计算机识别模型。首先创建已经知道的物体特征库，例如形状，颜色。当获得物体图像时，匹配物体特征和图像，如果匹配结果一致便可以识别出物体。

2.   人眼可观，预先构建的物体基本特征存在局限性——基本特征数量少，物体的特征容易受到光照强度，拍照角度影响。所以构建物体基本特征库的方法只能识别少数事物。因此引入了一个概念——局部特征。顾名思义就是指图像中能够稳定出现并且具有良好的可区分性的点的集合。与基本特征相比较，局部特征数量多，特征间相关度小，即使被遮挡，未被遮挡的特征点的检测和匹配也不会受到影响。除此之外，局部特征点减少了图像原有的信息量，减少了计算量。

‘优秀的局部图像特征应具有特征检测重复率高、速度快 ,特征描述对光照、旋转、视点变化等图像变换具有鲁棒性，特征描述符维度低，易于实现快速匹配等特点。’

3.   大数据和机器学习的运用。随着数据量的提升，传统的图像识别也进行了一次革新。计算机在大量的数据中自动归纳分类特征来识别图像。可以将机器学习模型简单看作一个黑盒，黑盒由训练集，训练模型，训练结果，测试集，预期测试结果和实际测试结果六个部分构成。首先将输入的数据随机分配为训练集和测试集，再输入相应的训练结果与其测试结果。通关不断地训练模型，优化模型中的参数，使预期测试结果和实际测试结果愈来愈接近。为了提高模型的泛化能力，可以使用交叉验证来判断模型的优劣。在获得训练完毕的机器学习模型后，即可通过机器学习模型来识别图像。

4.   近十年神经网络图像识别被深入研究和广泛运用。不同于监督学习中典型的支持向量机，神经网络拥有三层结构：输入层，隐藏层和输出层。每一层由大量神经元构成。成千上万的原始数据图片会被打上标签成为神经网络的训练样本，神经网络将会对他们进行分类。在输入一张未打标签的图片放入神经网络模型中进行预测。隐藏层中的神经元对输入图片进行多层特征提取，例如第一层先进行简单形状特征提取，第二层进行更复杂结构提取，第三层对更复杂的特征，抽象提取。最后根据神经网络模型能力，输出最接近的结果。

图像识别技术如趋成熟，也被广泛运用于不同领域，其中汽车安全领域是不可忽视的重要领域。为了使驾驶座舱更加安全智能，采埃孚安全座舱使用机器视觉技术，结合摄像头和智能软件来实现多个功能：乘员识别，手势识别，遗留物监测等。

图1：乘员识别

图2：手势识别

图像识别连接着计算机和外部世界，完善它的同时可以帮助我们更方便地完成任务。