基于人工智能技术的景物识别算法研究

来源:用户上传      作者:

　　摘   要：随着科技的发展和变迁，人工智能这一概念逐渐进入了人们的视线。人工智能是一种模拟开发人的智能的理论技术方法。很多人对人工智的概念感到很陌生，其实这一概念的提出由来已久。最早，人工智能是由计算机技术分支而来。但是随着时代科技发展，人工智能逐渐被大众所接受，应用范围逐渐变得广泛，其中，在识别领域的应用极为重要。图象识别系统是基于人工智能的一种重要技术。图象识别系统作为人工智能应用的热点技术，更为人们所知。文章也将对基于人工智能的景物识别算法展开研究。
　　关键词：人工智能;景物;识别
　　基于人工智能的景物识别系统，并非是偶然出现的。其存在与发展是具有社会环境和历史背景的。现代社会环境复杂多变，在景物识别方面存在很多困难。也正是由于外界景物的复杂，导致人类肉眼识别存在难度。人工智能技术的应用则给景物识别技术带来了新思路。
　　1    基于人工智能的景物识别算法
　　随着科技发展，人工智能已经成为顺应时代发展需要所产生的产物。然而景物识别技术的应用并不简单，其在实际应用中存在很大难度。景物识别技术一般在日常生活中应用比较广泛，诸如无人驾驶、图象检索等（见图1）。
　　景物识别技术基础就是对于图象的理解和应用。众所周知，图象的特征一般是颜色、纹理等。在众多图象特征中，颜色作为图象最为直观的特征，在人类认知中的应用也最为直接广泛。这是由于景物颜色一般是与景物直接相关的。而纹理等特征则更多的是体现景物的动态变化效果，是景物的结构基础，更多地体现了景物内在的属性及其结构关系。现代的景物识别算法基本也是基于颜色和纹理这两大特点来实现的。人类肉眼进行识别有一定的难度，通过景物的特征能够更好地实现对景物的灵活识别和分析。不仅如此，外界环境相比于室内，情况更为复杂多变，这就需要景物识别更加灵活，不能千篇一律。而基于人工智能的景物识别系统，其主要结构就是通过景物的颜色和纹理来进行识别。神经网络作为景物识别的重要结构，在景物识别技术中发挥了重要作用。神经网络并不是纯网络，而是多维立体网络的集合。基于人工智能的景物识别技术中一大重点就是神经网络[1]。
　　2    颜色特征提取
　　对于人类肉眼对景物进行识别的重要特征就是通过颜色。颜色特征作为认识事物最为直观的特征手段，在景物识别技术中也很受重视。颜色特征主要是描述景物的表面直观特征。因此，对于景物颜色的提取是具有一定难度的，其依赖于对合适颜色空间的有效选取。对于常用的颜色空间选取，包括RGB空間，HSV空间等。RGB空间，相比于其他颜色空间，应用最为广泛。RGB空间更能为人所接受认识的原因，主要在于其操作描述比较简单，可行性高，并且适用于一般的标准化硬件。RGB空间所独有的这些特征，有助于更高更快地进行颜色识别。而对于RGB空间而言，其并不能可以直观认识。这就需要人们借助颜色直方图，总以调查景物识别技术中的颜色特征分布。颜色直方图作为一种帮助人们加深对颜色分布认识的手段，越来越多地被应用到在景物识别技术的应用研究中。颜色直方图，相比于其他研究方法，最为突出的优点，就是其能够把颜色特征分布的研究简单化。通过对颜色直方图的应用，人们能够更直观地认识和了解景物颜色的分布。不仅如此，鉴于颜色直方图其独有的旋转不变性和良好的尺度，其对于研究空间位置不变的图象和固定难以分割图像有良好作用。也正是由于颜色直方图的独有特点，使其在景物识别技术中应用极为广泛。在颜色直方图中，RGB空间图像中3个分量，都可以形成其对应的颜色直方图。虽然颜色直方图本身是基于对RGB空间图象的研究，但其RGB空间的各个分量取值范围过大，导致颜色直方图准数很多。如果单纯利用颜色直方图进行景物识别算法运算，其计算量之大是不可想象的，算法的计算精度就会有所下降，影响景物识别技术的应用。不仅如此，人类肉眼识别颜色图像是有一定难度的，因此在运用景物识别算法进行计算时，无须进行细化计算。在运用景物识别算法进行计算前，可以对RGB分量进行量化，来减少颜色直方图的集体结构复杂性，更好地进行景物识别技术的应用。
　　3    纹理识别特征
　　纹理识别特征，作为与景物颜色特征同等重要的一大特征。纹理识别特征也是景物识别技术的重点特征。纹理识别特征相比于颜色特征，是一种整体全局的特征。纹理特征主要是人类通过观察总结出来的图象规律。纹理特征和颜色特征一样，也是一种描绘景物表面的特征。但是不同的是，相比颜色特征，纹理特征也是一种独特的统计特征。纹理特征作为景物识别技术的重要组成部分，其在降噪等方面都有很大优势。纹理特征的识别方法，相比颜色识别方法，有所不同，主要包括：统计法、结构法、基于模型的方法和信号处理方法。众所周知，统计法多种多样，其中最为典型的是灰度共生矩形这一方法。灰度共生矩形阵并不是一个真的矩形方阵，而是一种矩形函数。与普通函数不同的是，这种矩形函数在景物识别技术中主要描述的是不同的角度和距离结构变化。灰度矩形函数是用来描述纹理特征变化的一种重要手段。景物的纹理特征是由灰度矩形函数中空间的位置关系而体现的。因此，存在于函数的各个分量并不是相互独立的，而是存在一定的灰度关系。纹理特征就是通过矩形函数的灰度之间的相关性，来帮助反映景物识别技术中的各类综合信息。人类在对景物纹理特征进行研究时，一般也是通过灰度矩形方阵来进行研究。在景物图像上具有一定距离的两个像素之间，可以通过统计来得到一系列数据。
　　4    BP神经网络分类器
　　基于景物图像的颜色特征和纹理特征，人类研究出了BP神经网络分类器。BP网络分类器是一种基于多个变量的分类仪器。BP神经网络相比于其他神经网络，重点在于对 BP神经网络的训练分类。BP神经网络并不能直接应用于景物识别技术，而是要经过一定的学习训练。对BP神经网络进行学习训练的过程并不简单，主要包括两个阶段，即正向传播和反向传播两个阶段。正向传播，正常是由输入层进入，最终由输出层输出，其过程当然并不仅是简单的输入输出过程，而是包含了隐含层处理、权值计算等步骤。在正向传播过程中，可以把前一层看作下一层的输入层。也正是由于一层一层的输入和输出，才会产生数据的偏差。如果将输出层的输出数据信号，与期望的输出数据信号进行对比，就可以发现二者是存在一定偏差的，这就意味着其产生了误差。误差产生会使信号被重新回流。信号回流的意义并不只是反向回流，而是其会对所经过的各层权值进行调整，从而提高其精度。正是信号的回流与精密调整，才使信号回流成为BP神经网络训练的必要步骤。BP神经网络的权值调整也并不只是依靠其对期望数据与实际数据的比较分析，更依赖大量的样本数据分析，也正是完备的BP神经网络，才使景物识别技术得到了技术支撑[2]。
　　5    结语
　　随着时代与社会的发展，人工智能成为社会科技的一大发展趋势。也正是人工智能的突飞猛进，使得景物识别技术得到了迅猛发展。景物识别技术一改过去人类用肉眼认识景物的方法，帮助人们更准确地对景物产生认知。景物识别计算算法，其依赖的景物颜色特征和纹理特征也受到更多人关注。本文主要对基于人工智能的景物识别算法结构进行了分析。
　　[参考文献]
　　[1]张学工.模式识别[M].北京：清华大学出版社，2000.
　　[2]高程程，惠晓威.基于灰度共生矩阵纹理特征提取[J].计算机系统应用，2010（6）：195-198.
转载注明来源:https://www.xzbu.com/8/view-15150878.htm