pk10计划网页版

未来智讯 > 人工智能论文 > 浅析人工智能中的图像识别技能

浅析人工智能中的图像识别技能

发布时间:2018-11-28 13:17:01 文章来源:未来智讯    
    浅析人工智能中的图像识别技能作者: 季秀怡   摘要:图像识别技能是信息时代的一门重要的技能,其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技能的发展,人类对图像识别技能的认识越来越深刻。图像识别技能的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。文章大略分析了图像识别技能的引入、其技能原理以及模式识别等,之后介绍了神经网络的图像识别技能和非线性降维的图像识别技能及图像识别技能的应用。从中能够归纳出图像处理技能的应用广泛,人类的生活将无法离开图像识别技能,研讨图像识别技能具有重大意义。
  关键词:图像识别;原理;过程;分析;神经网络;非线性
  中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2016)14-0147-02
  1 图像识别技能的引入
  图像识别是人工智能的一个重要领域。图像识别的发展履历了三个阶段:文字识别、数字图像处理与识别、物体识别。图像识别,顾名思义,便是对图像做出各种处理、分析,最后识别我们所要研讨的指标。今天所指的图像识别并不但仅是用人类的肉眼,而是借助计算机技能进行识别。虽然人类的识别能力很强大,然而对于高速发展的社会,人类自身识别能力已经满足不了我们的需求,于是就产生了基于计算机的图像识别技能。这就像人类研讨生物细胞,完全靠肉眼观察细胞是不现实的,这样自然就产生了显微镜等用于精确观测的仪器。常常一个领域有固有技能无法解决的需求时,就会产生相应的新技能。图像识别技能也是如此,此技能的产生便是为了让计算机代替人类去处理大量的物理信息,解决人类无法识别或者识别率特别低的信息。
  1.1 图像识别技能原理
  其实,图像识别技能背后的原理并不是很难,不过其要处理的信息对照繁琐。计算机的任何处理技能都不是凭空产生的,它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技能和人类的图像识别在原理上并没有性子的区别,不过机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的,我们识别图像都是依靠图像所具有的本身特征而先将这些图像分了类,然后通过各个类别所具有的特征将图像识别出来的,不过很多时候我们没故意识到这一点。当看到一张图片时,我们的大脑会迅速感应到是否见过此图片或与其相似的图片。其实在“看到”与“感应到”的中间履历了一个迅速识别过程,这个识别的过程和搜索有些类似。在这个过程中,我们的大脑会根据存储记忆中已经分好的类别进行识别,查看是否有与该图像具有相同或类似特征的存储记忆,从而识别出是否见过该图像。机器的图像识别技能也是如此,通过分类并提取重要特征而排除多余的信息来识别图像。机器所提取出的这些特征偶尔会相当明显,偶尔又是很普通,这在很大的程度上影响了机器识别的速率。总之,在计算机的视觉识别中,图像的内容常常是用图像特征进行描述。
  1.2 模式识别
  模式识别是人工智能和信息科学的重要组成局部。模式识别是指对表示事物或现象的不同形式的信息做分析和处理从而得到一个对事物或现象做出描述、辨认和分类等的过程。
  计算机的图像识别技能便是模拟人类的图像识别过程。在图像识别的过程中进行模式识别是必不可少的。模式识别原本是人类的一项基本智能。但随着计算机的发展和人工智能的兴起,人类本身的模式识别已经满足不了生活的需要,于是人类就希望用计算机来代替或扩展人类的局部脑力劳动。这样计算机的模式识别就产生了。大略地说,模式识别便是对数据进行分类,它是一门与数学紧密联合的科学,其中所用的思维大局部是几率与统计。模式识别主要分为三种:统计模式识别、句法模式识别、模糊模式识别。
  2 图像识别技能的过程
  既然计算机的图像识别技能与人类的图像识别原理相同,那它们的过程也是大同小异的。图像识别技能的过程分以下几步:信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。
  信息的获取是指通过传感器,将光或声音等信息转化为电信息。也便是获取研讨对象的基本信息并通过某种方法将其转变为机器可以认识的信息。
  预处理主要是指图像处理中的去噪、平滑、变换等的操作,从而加强图像的重要特征。
  特征抽取和选择是指在模式识别中,需要进行特征的抽取和选择。大略的理解便是我们所研讨的图像是各式各样的,如果要利用某种方法将它们区分开,就要通过这些图像所具有的本身特征来识别,而获取这些特征的过程便是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的,这个时候就要提取有用的特征,这便是特征的选择。特征抽取和选择在图像识别过程中是相当关键的技能之一,所以对这一步的理解是图像识别的重点。
  分类器设计是指通过训练而得到一种识别准则,通过此识别准则能够得到一种特征分类,使图像识别技能可以得到高识别率。分类决策是指在特征空间中对被识别对象进行分类,从而更好地识别所研讨的对象具体属于哪一类。
  3 图像识别技能的分析
  随着计算机技能的迅速发展和科技的不时进步,图像识别技能已经在众多领域中得到了应用。2015年2月15日新浪科技发布一条新闻:“微软近来公布了一篇关于图像识别的研讨论文,在一项图像识别的基准测试中,电脑系统识别能力已经超越了人类。人类在归类数据库Image Net中的图像识别错误率为5.1%,而微软研讨小组的这个深度学习系统能够达到4.94%的错误率。”从这则新闻中我们能够看出图像识别技能在图像识别方面已经有要超越人类的图像识别能力的趋势。这也说明未来图像识别技能有更大的研讨意义与潜力。而且,计算机在很多方面确实具有人类所无法超越的优势,也恰是因为这样,图像识别技能才能为人类社会带来更多的应用。
  3.1神经网络的图像识别技能
  神经网络图像识别技能是一种对照新型的图像识别技能,是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。这里的神经网络是指人工神经网络,也便是说这种神经网络并不是动物本身所具有的真正的神经网络,而是人类模仿动物神经网络后人工生成的。在神经网络图像识别技能中,遗传算法与BP网络相融合的神经网络图像识别模型是相当经典的,在很多领域都有它的应用。在图像识别系统中利用神经网络系统,一般会先提取图像的特征,再利用图像所具有的特征映射到神经网络进行图像识别分类。以汽车拍照自动识别技能为例,当汽车通过的时候,汽车自身具有的检测设备会有所感应。此时检测设备就会启用图像采集装置来获取汽车正反面的图像。获取了图像后必须将图像上传到计算机进行保存以便识别。最终车牌定位模块就会提取车牌信息,对车牌上的字符进行识别并显示最后的结果。在对车牌上的字符进行识别的过程中就用到了基于模板匹配算法和基于人工神经网络算法。   3.2非线性降维的图像识别技能
  计算机的图像识别技能是一个异常高维的识别技能。不管图像本身的分别率如何,其产生的数据经常是多维性的,这给计算机的识别带来了相当大的困难。想让计算机具有高效地识别能力,最直接有效的方法便是降维。降维分为线性降维和非线性降维。例如主成分分析(PCA)和线性奇异分析(LDA)等便是常见的线性降维方法,它们的特点是大略、易于理解。然而通过线性降维处理的是总体的数据聚集,所求的是整个数据聚集的最优低维投影。经过验证,这种线性的降维策略计算复杂度高而且占用相对较多的时间和空间,因此就产生了基于非线性降维的图像识别技能,它是一种极其有效的非线性特征提取方法。此技能能够发现图像的非线性结构而且能够在不破坏其本征结构的基础上对其进行降维,使计算机的图像识别在尽量低的维度长进行,这样就提高了识别速率。例如人脸图像识别系统所需的维数常常很高,其复杂度之高对计算机来说无疑是巨大的“灾难”。由于在高维度空间中人脸图像的不均匀分布,使得人类能够通过非线性降维技能来得到分布紧凑的人脸图像,从而提高人脸识别技能的高效性。
  3.3 图像识别技能的应用及前景
  计算机的图像识别技能在公共平安、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统;公共平安方面的人脸识别技能、指纹识别技能;农业方面的种子识别技能、食品品质检测技能;医学方面的心电图识别技能等。随着计算机技能的不时发展,图像识别技能也在不时地优化,其算法也在不时地改进。图像是人类获取和交换信息的主要来源,因此与图像相关的图像识别技能必定也是未来的研讨重点。以后计算机的图像识别技能很有可能在更多的领域崭露头角,它的应用前景也是不可限量的,人类的生活也将更加离不开图像识别技能。
  4 归纳
  图像识别技能虽然是刚兴起的技能,但其应用已是非常广泛。并且,图像识别技能也在不时地成长,随着科技的不时进步,人类对图像识别技能的认识也会更加深刻。未来图像识别技能将会更加强大,更加智能地出如今我们的生活中,为人类社会的更多领域带来重大的应用。在21世纪这个信息化的时代,我们无法想象离开了图像识别技能以后我们的生活会形成什么样。图像识别技能是人类如今以及未来生活必不可少的一项技能。
  参考文献:
  [1] http://tech.sina.com.cn/it/2015-02-15/doc-iavxeafs1157951.shtml
  [2] 陈华. 浅谈神经网络的图像识别技能及方法[J]. 济宁师范专科学校学报, 2006, 27(6):20-22.
  [3] 万国红. 基于神经网络的图像识别与分类技能及应用研讨[D]. 华中科技大学, 2002.
  [4] 谭璐, 易东云, 吴翊,等. 基于非线性降维方法的图像识别[C]. 中国计算机学会全国web信息系统及其应用学术会议. 2004.
  [5] 刘翠响, 张艳, 于明,等. 基于非线性降维的人脸图像数据分析[C]// 2006中国抑制与决策学术年会. 2006.
  [6]孙杰, 张以谟, 刘铁根. Web图像识别技能及实现[J]. 计算机工程与设计, 2006, 27(4):587-589.
转载请注明来源。原文地址:http://tangtes.cn/page/2018/1128/48402/
 与本篇相关的热门内容: