一種新的計(jì)算機(jī)視覺(jué)算法

賈潤(rùn)亮

(山西省財(cái)政稅務(wù)專科學(xué)校信息學(xué)院，太原 030024)

一種新的計(jì)算機(jī)視覺(jué)算法

賈潤(rùn)亮

(山西省財(cái)政稅務(wù)專科學(xué)校信息學(xué)院，太原 030024)

受螞蟻金服計(jì)算機(jī)視覺(jué)項(xiàng)目組委托，為了提高計(jì)算機(jī)視覺(jué)的識(shí)別效率和準(zhǔn)確率，利用機(jī)器學(xué)習(xí)的思想開(kāi)發(fā)自動(dòng)進(jìn)化圖像學(xué)習(xí)機(jī)，將MATHEMATICA Cloud作為改學(xué)習(xí)機(jī)的計(jì)算云、搜索云，將學(xué)習(xí)函數(shù)和決策函數(shù)嵌入到學(xué)習(xí)機(jī)中，從而實(shí)現(xiàn)由學(xué)習(xí)機(jī)錄入圖像并導(dǎo)入MATHEMATICA Cloud進(jìn)行計(jì)算和搜索的功能，利用搜索結(jié)果來(lái)鍛煉學(xué)習(xí)機(jī)的學(xué)習(xí)函數(shù)，利用計(jì)算結(jié)果來(lái)鍛煉學(xué)習(xí)機(jī)的決策函數(shù)，從而實(shí)現(xiàn)高效率的識(shí)別速度與高準(zhǔn)確率的識(shí)別效果。基于螞蟻金服提供的驗(yàn)算實(shí)例進(jìn)行仿真實(shí)驗(yàn)，并從計(jì)算速度、收斂情況、識(shí)別精度等方面同現(xiàn)在常用的識(shí)別算法進(jìn)行對(duì)比，結(jié)果顯示：新算法的圖像識(shí)別能力頗佳，與傳統(tǒng)算法相比，新算法具有更快的計(jì)算速度、絕對(duì)收斂性和遠(yuǎn)高于傳統(tǒng)算法的識(shí)別精度。

MATHEMATICA Cloud；機(jī)器學(xué)習(xí)；決策函數(shù)；識(shí)別精度

1 研究背景

計(jì)算機(jī)視覺(jué)是實(shí)現(xiàn)計(jì)算機(jī)智能化的瓶頸所在，當(dāng)下流行的計(jì)算機(jī)視覺(jué)算法難以在不同情況下正確識(shí)別對(duì)象，且計(jì)算速度較慢，識(shí)別精度較差[1-2]。

鑒于此，國(guó)內(nèi)外學(xué)者對(duì)計(jì)算機(jī)視覺(jué)算法進(jìn)行了大量的研究。Giovanni Maria Farinella[3]通過(guò)ASM算法，對(duì)圖形的灰度進(jìn)行處理，可以實(shí)現(xiàn)不同灰度情況下對(duì)圖形對(duì)象的高識(shí)別率，但是文獻(xiàn)[3]對(duì)飽和度的處理能力較差，如果涉及到色彩豐富的彩色圖片，文獻(xiàn)[3]的識(shí)別出錯(cuò)率極高；BentkowskaKafel[4]、Morrison C[5]等人提出的基于KD-Tree算法，將特征點(diǎn)匹配問(wèn)題轉(zhuǎn)化為在高維空間中距離矢量的檢測(cè)搜索問(wèn)題，使得圖像識(shí)別問(wèn)題在數(shù)學(xué)層面上得到了很好的描述，但是文獻(xiàn)[4-5]的計(jì)算速度較慢，在高飽和度和高光照的情況下識(shí)別精度較差；Ungaisalánki R等[6]通過(guò)LMeds算法實(shí)現(xiàn)在復(fù)雜情況下的算法收斂，而且函數(shù)不需經(jīng)過(guò)復(fù)雜的矢量計(jì)算，對(duì)于位圖的識(shí)別效果較好，但是文獻(xiàn)[6]所建立的識(shí)別模型對(duì)于特征點(diǎn)的提取效果欠佳，同一對(duì)象在不同情形下無(wú)法做到有效識(shí)別；Bastidas-Rodriguez M X等[7]基于M-estimators算法實(shí)現(xiàn)了同一對(duì)象在不同情形下的高度收斂，同時(shí)很好地兼容了灰度處理和飽和度處理，但是文獻(xiàn)[7]無(wú)法就矢量圖進(jìn)行處理，極大地限制了M-estimators算法的適用性；Ferraz A,Brito J H等[8]提出的基于RANSAC算法實(shí)現(xiàn)了同一對(duì)象的在不同情形下的高度收斂，同時(shí)很好地兼容了灰度處理和飽和度處理，實(shí)現(xiàn)了不亞于M-estimators算法的位圖處理能力，同樣文獻(xiàn)[8]無(wú)法就矢量圖進(jìn)行處理，極大地限制了M-estimators算法的適用性。

Bhanja S[9]和Giovanni Maria Farinella[10]發(fā)現(xiàn)基于云的圖像處理算法具有很高的識(shí)別精度，而且計(jì)算速度極快，是未來(lái)計(jì)算機(jī)視覺(jué)算法發(fā)展的主流方向，但是文獻(xiàn)[9]和文獻(xiàn)[10]并沒(méi)有針對(duì)這一思路進(jìn)行相關(guān)工作，僅僅是根據(jù)實(shí)驗(yàn)結(jié)果提出了可能性構(gòu)想。李闖[11]發(fā)現(xiàn)基于解析法、半解析法可以極大提高計(jì)算速度，但文獻(xiàn)[11]研究的是邊坡問(wèn)題，而非計(jì)算機(jī)視覺(jué)問(wèn)題。鑒于此，本文受螞蟻金服計(jì)算機(jī)視覺(jué)項(xiàng)目組的委托，以付費(fèi)但穩(wěn)定的云MATHEMATICA Cloud為計(jì)算云和搜索云，使用半解析法函數(shù)提高學(xué)習(xí)函數(shù)的學(xué)習(xí)能力和決策函數(shù)的決策能力，并從計(jì)算速度、收斂情況、識(shí)別精度等方面與現(xiàn)在常用的識(shí)別算法進(jìn)行對(duì)比，以驗(yàn)證本文算法對(duì)于計(jì)算機(jī)視覺(jué)問(wèn)題的適用性和優(yōu)越性。

2 機(jī)器學(xué)習(xí)的基本思想

對(duì)于機(jī)器學(xué)習(xí)，將感興趣的數(shù)據(jù)集合命名為D，集合D也被稱為訓(xùn)練數(shù)據(jù)，機(jī)器學(xué)習(xí)的目標(biāo)便是確定假設(shè)空間(命名為H)中的最佳假設(shè)。令P(h)表示為未訓(xùn)練數(shù)據(jù)集合D之間的假設(shè)h所擁有的初始概率，將其命名為prior probability。prior probability表示在當(dāng)前知識(shí)背景之下，假設(shè)h為正確假設(shè)的概率。同理，令P(D)表示欲觀察訓(xùn)練數(shù)據(jù)集合D的prior probability。P(D)反映了在訓(xùn)練數(shù)據(jù)D之后假設(shè)h成立的置信度。

根據(jù)Bayes Rule：

(1)

在機(jī)器學(xué)習(xí)的過(guò)程中，機(jī)器學(xué)習(xí)考慮候選假設(shè)集合H，并在候選假設(shè)集合H中尋找上述給定的數(shù)據(jù)集合D。在此，可能性最大的假設(shè)被命名為h(h∈H)，這樣的具有最大可能性的假設(shè)被稱為極大后檢假設(shè)。

(2)

式中hMAP被稱為極大后檢假設(shè)。聯(lián)立式(1)和式(2)，得到

(3)

因?yàn)镻(D)并不是依賴于h的變量，而是一個(gè)常量，故而，式(3)可以寫(xiě)作

(4)

式(4)可以做進(jìn)一步的簡(jiǎn)化，如果假定H中每個(gè)假設(shè)有相同的prior probability，就可以使用極大似然假設(shè)：

(5)

式中hML被稱為極大后檢假設(shè)。對(duì)于H中的任意h，有

(6)

通過(guò)不斷學(xué)習(xí)和訓(xùn)練，機(jī)器便擁有了對(duì)某一特定問(wèn)題的處理能力。如此便搭建了學(xué)習(xí)機(jī)的學(xué)習(xí)函數(shù)和決策函數(shù)。

3 基于機(jī)器學(xué)習(xí)的圖像識(shí)別

3.1 圖像信息提取

Step1：對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化采集，該集合x(chóng)的維度為P。

x=(X1，X2，X3，…，XP)T，

(7)

式中n(n>P)個(gè)樣品Xi，

Xi=(X1i，X2i，X3i，…，XPi)T，i=1，2，3，…，n。

(8)

針對(duì)樣本陣元進(jìn)行標(biāo)準(zhǔn)化變換

(9)

(10)

(11)

稱Z為標(biāo)準(zhǔn)化陣。

Step2：為標(biāo)準(zhǔn)化陣Z的矩陣系數(shù)

(12)

其中，

(13)

Step3：求解R的特征方程

|R-λIP|P=0，

(14)

按照

(15)

Step4：將指標(biāo)變量轉(zhuǎn)化為主成分

(16)

式中：U1為第1主成分；U2為第2主成分；U3為第3主成分；UP為第P主成分。

Step5：對(duì)載入的人臉圖像進(jìn)行幾何歸一化處理。假設(shè)載入的人臉圖像的像素點(diǎn)為m×n，則將像素儲(chǔ)存在列向量(X1，X2，X3，…)T中。

Step6：求的平均人臉：

(17)

訓(xùn)練樣本的協(xié)方差矩陣為

(18)

取差值向量

wi=xi-μx，

(19)

令

w=(w1，w2，w3，…，wn)。

(20)

Step7：投射到待檢測(cè)空間，則每幅圖像在特征空間的坐標(biāo)函數(shù)為

yi=UT(xi-μx)=UTwi，

(21)

式中

(22)

同樣可以將待測(cè)圖像xtest投射到特征子空間之中，

ytest=UT(xtest-μx)。

(23)

Step8：利用距離分離器進(jìn)行辨識(shí)，目標(biāo)函數(shù)為

minDist=min‖yi-ytest‖。

(24)

3.2 云計(jì)算平臺(tái)搭建

MATHEMATICACloud是針對(duì)正版MATHEMATICA軟件開(kāi)發(fā)的云計(jì)算服務(wù)平臺(tái)，之所有沒(méi)有選擇常用的云計(jì)算平臺(tái)Hadoop，主要有4點(diǎn)原因：

1)MATHEMATICACloud面對(duì)付費(fèi)用戶，進(jìn)行了初步的信息篩選[12]；

2)MATHEMATICACloud中涉及到大量的人文數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、地理數(shù)據(jù)，數(shù)據(jù)庫(kù)實(shí)施維護(hù)，其真實(shí)性得到了保障[12]；

3)面向互聯(lián)網(wǎng)具有自己的搜索引擎，其搜索引擎基于機(jī)器學(xué)習(xí)算法，對(duì)于信息具有很強(qiáng)的識(shí)別與篩選能力[13]；

4)該軟件為付費(fèi)用戶提供了快捷便利的接口，只需要在客戶端上進(jìn)行程序編寫(xiě)便可以自動(dòng)導(dǎo)入云中進(jìn)行計(jì)算[14]。

表1 程序主要函數(shù)

表1展現(xiàn)了計(jì)算機(jī)人像識(shí)別程序的主要函數(shù)。利用這些函數(shù)可以對(duì)圖像進(jìn)行復(fù)雜的操作，并最終實(shí)現(xiàn)識(shí)別人像的目的。

4 仿真實(shí)驗(yàn)

依照上述算法(Alg1)，開(kāi)發(fā)計(jì)算機(jī)視覺(jué)軟件——COMPUTER_VISION，并利用COMPUTER_VISION進(jìn)行仿真驗(yàn)算，檢驗(yàn)本文算法(Alg1)的圖像識(shí)別能力，并同現(xiàn)在常用的計(jì)算機(jī)視覺(jué)算法——ASM(ActiveShapeModel)算法(Alg2)、KD-Tree算法(Alg3)、LMeds算法(Alg4)、M-estimators算法(Alg5)、RANSAC算法(Alg6)進(jìn)行對(duì)比。

4.1 對(duì)象識(shí)別能力

如圖1所示，給定COMPUTER_VISION一幅圖像，要求COMPUTER_VISION搜索出圖中最大的汽車并確定該對(duì)象對(duì)應(yīng)的英文名稱，且該名稱必須為美國(guó)俚語(yǔ)(真實(shí)結(jié)果為automobile)。

圖1 求圖中對(duì)象對(duì)應(yīng)的美國(guó)俚語(yǔ)

COMPUTER_VISION在錄入圖像之后，對(duì)圖像信息進(jìn)行提取，抽取其中對(duì)象(圖2(a))，并將無(wú)用背景進(jìn)行剔除，以減少計(jì)算量(圖2(b))。而后，將摳圖之后的對(duì)象上傳到MATHEMATICACloud并進(jìn)行搜索操作，尋找出對(duì)應(yīng)的結(jié)果，并將搜索結(jié)果傳遞回COMPUTER_VISION以訓(xùn)練學(xué)習(xí)函數(shù)。在對(duì)學(xué)習(xí)函數(shù)進(jìn)行訓(xùn)練之后，COMPUTER_VISION矯正圖像信息和關(guān)鍵字，上傳到MATHEMATICACloud進(jìn)行搜索，如此往復(fù)直至達(dá)到COMPUTER_VISION決策函數(shù)的要求。

根據(jù)圖2(b)的摳圖效果，COMPUTER_VISION給出了6組可能俚語(yǔ)，具體情形如圖3。在得到每一次俚語(yǔ)以及其對(duì)應(yīng)的概率之后，會(huì)對(duì)決策函數(shù)進(jìn)行一次訓(xùn)練，而后決策函數(shù)會(huì)對(duì)學(xué)習(xí)函數(shù)進(jìn)行決策以獲得下一次的搜索。

根據(jù)圖3可以看出，automobile為圖形中最大汽車的美國(guó)俚語(yǔ)名稱，與真實(shí)結(jié)果相同，說(shuō)明COMPUTER_VISION的識(shí)別能力極佳。

(a)信息提取

(b)摳圖圖2 COMPUTER_VISION對(duì)輸入圖像進(jìn)行初步處理

圖3 6種可能俚語(yǔ)以及其對(duì)應(yīng)的概率

4.2 計(jì)算速度

圖4為hobbit1中的視頻截圖，圖中有些許半獸人和些許矮人，需要從中識(shí)別ThorinOakenshield(矮人領(lǐng)袖)，故而在計(jì)算之時(shí)需要排除半獸人，從矮人之中再次尋找ThorinOakenshield。

圖4 尋找圖中的Thorin Oakenshield

用本文算法(Alg1)、ASM(ActiveShapeModel)算法(Alg2)、KD-Tree算法(Alg3)、LMeds算法(Alg4)、M-estimators算法(Alg5)、RANSAC算法(Alg6)分別進(jìn)行計(jì)算，統(tǒng)計(jì)計(jì)算時(shí)長(zhǎng)，具體結(jié)果如圖5(6種算法皆尋找出ThorinOakenshield)。

圖5 6種算法的計(jì)算耗時(shí)

根據(jù)圖5可以看出，本文提出的算法(Alg1)的計(jì)算速度最快，耗時(shí)為0.73h；M-estimators算法(Alg5)的計(jì)算速度次之，耗時(shí)為5.69h；RANSAC算法(Alg6)計(jì)算速度最慢，耗時(shí)為11.02h。總體而言，本文提出的算法(Alg1)的計(jì)算耗時(shí)是ASM算法(Alg2)的9.75%，是KD-Tree算法(Alg3)的11.35%，是LMeds算法(Alg4)的8.32%，是M-estimators算法(Alg5)的12.83%，是RANSAC算法(Alg6)的6.62%，說(shuō)明本文提出的算法(Alg1)的計(jì)算速度遠(yuǎn)高于其他5種算法，這是因?yàn)镸ATHEMATICACloud中含有ThorinOakenshield的全部信息，在搜素與計(jì)算之時(shí)，本文提出的算法(Alg1)因?yàn)槭艿搅瞬粩嗟挠?xùn)練，導(dǎo)致其計(jì)算速度成指數(shù)型增長(zhǎng)。

4.3 收斂情況

如果某種圖像識(shí)別算法可以識(shí)別出某種對(duì)象并且識(shí)別正確，說(shuō)明該算法在該情況下收斂，否則稱該算法在該情況下不收斂，收斂情況代表了算法的健壯性。圖6為“十月圍城”的海報(bào)，需要從中識(shí)別所有演員的姓名(9人)，因?yàn)楹?bào)灰度單一、光照復(fù)雜，某些算法在識(shí)別之時(shí)會(huì)出現(xiàn)識(shí)別不出或者識(shí)別錯(cuò)誤的現(xiàn)象(算法在該情況下不收斂)。

圖6 識(shí)別圖中的演員姓名

根據(jù)圖7可以看出，本文算法(Alg1)識(shí)別出了所有演員，說(shuō)明本文算法(Alg1)在9種情形下皆收斂。總體而言，本文提出的算法(Alg1)的識(shí)別人數(shù)是ASM算法(Alg2)的900.00%，是KD-Tree算法(Alg3)的300.00%，是LMeds算法(Alg4)的150.00%，是M-estimators算法(Alg5)的112.50%，是RANSAC算法(Alg6)的112.50%，說(shuō)明本文提出的算法(Alg1)的函數(shù)收斂數(shù)目遠(yuǎn)高于其他5種算法，這是因?yàn)楸疚乃惴?Alg1)提取了圖像的關(guān)鍵信息，對(duì)灰度、光照的規(guī)避效果較好。

圖7 6種算法的收斂情況/人

4.4 識(shí)別精度

對(duì)于同一對(duì)象不同狀態(tài)下的圖像，利用圖像識(shí)別算法判斷對(duì)象任意兩種狀態(tài)下的相似程度。圖8共有5幅圖像，皆為DaenerysTargaryen的形象。對(duì)于任何一種算法，計(jì)算任意兩幅圖之間的相似程度，共10組數(shù)據(jù)，取其平均值，該平均值便代表了識(shí)別效果的精確度。

根據(jù)圖9可以看出，本文算法(Alg1)識(shí)別精度最高，精度為0.992 524 055 242 956。其次為RANSAC算法(Alg6)，精度為0.599 258 852 233 269。LMeds算法(Alg4)的識(shí)別精度最差，精度為0.053 063 821 090 275 2。總體而言，本文提出的算法(Alg1)的識(shí)別精度是ASM算法(Alg2)的194.79%，是KD-Tree算法(Alg3)的175.87%，是LMeds算法(Alg4)的1 870.43%，是M-estimators算法(Alg5)的303.70%，是RANSAC算法(Alg6)的165.63%，說(shuō)明本文提出的算法(Alg1)的識(shí)別精度遠(yuǎn)高于其他5種算法。

圖8 判斷5幅圖之間的相似程度

5 結(jié)語(yǔ)

本文基于機(jī)器學(xué)習(xí)的思想，將MATHEMATICACloud作為該學(xué)習(xí)機(jī)的計(jì)算云，開(kāi)發(fā)計(jì)算機(jī)視覺(jué)軟件COMPUTER_VISION，驗(yàn)證利用COMPUTER_VISION的對(duì)象識(shí)別能力，并從計(jì)算速度、收斂情況、識(shí)別精度等方面與現(xiàn)在常用的識(shí)別算法進(jìn)行對(duì)比，結(jié)果顯示：

圖9 6種算法的識(shí)別精度

1)本文算法(Alg1)可以根據(jù)設(shè)定條件對(duì)圖形對(duì)象進(jìn)行摳圖、搜索、計(jì)算，能夠獲得圖形對(duì)象特定條件下的名稱。

2)本文算法(Alg1)計(jì)算速度最快，其計(jì)算耗時(shí)是ASM算法(Alg2)的9.75%，是KD-Tree算法(Alg3)的11.35%，是LMeds算法(Alg4)的8.32%，是M-estimators算法(Alg5)的12.83%，是RANSAC算法(Alg6)的6.62%。

3)本文算法(Alg1)可以做到絕對(duì)收斂，識(shí)別人數(shù)是ASM算法(Alg2)的900.00%，是KD-Tree算法(Alg3)的300.00%，是LMeds算法(Alg4)的150.00%，是M-estimators算法(Alg5)的112.50%，是RANSAC算法(Alg6)的112.50%。

4)本文算法(Alg1)識(shí)別精度最高，是ASM算法(Alg2)的194.79%，是KD-Tree算法(Alg3)的175.87%，是LMeds算法(Alg4)的1 870.43%，是M-estimators算法(Alg5)的303.70%，是RANSAC算法(Alg6)的165.63%。

[1] 王海燕,張瑜慧.基于機(jī)器視覺(jué)的顆粒識(shí)別計(jì)數(shù)[J].長(zhǎng)春工程學(xué)院學(xué)報(bào):自然科學(xué)版,2013,14(4):101-104.

[2]MalikJ,ArbeláezP,CarreiraJ,etal.ThethreeR’sofcomputervision:recognition,reconstructionandreorganization[J].PatternRecognitionLetters,2016,72:214-217.

[3]GiovanniMariaFarinella.Specialissueonassistivecomputervisionandrobotics-partI[J].ComputerVisionandImageUnderstanding,2016(148):1-2.

[4]DavidGStork,CoddingtonJim,Bentkowska-kafelAnna.ComputerVisionandImageAnalysisofArtⅡ[C].//ProceedingsIS&T/SPIEElectronicImagingScierceandTechnology.SanFrancisco，California,UnitedStates:IS&T-TheSocietyforImagingScienceandTechnology,2011.

[5]MorrisonC,HuckvaleK,CorishB,etal.Assessingmultiplesclerosiswithkinect:designingcomputervisionsystemsforreal-worlduse[J].Human-ComputerInteraction,2016，31(314):1-36.

[6]UngaisalánkiR,GerecseiT,FürjesP,etal.Automatedsinglecellisolationfromsuspensionwithcomputervision[J].ScientificReports,2016(6)：20375.

[7]Bastidas-RodriguezMX,Prieto-OrtizFA,EspejoE.Fractographicclassificationinmetallicmaterialsbyusingcomputervision[J].EngineeringFailureAnalysis,2016,59:237-252.

[8]FerrazA,BritoJH,CarvalhoV,etal.Bloodtypeclassificationusingcomputervisionandmachinelearning[J].NeuralComputing&Applications,2016，27:1-12.

[9]BhanjaS,KarunaratneDK,PanchumarthyR,etal.Non-Booleancomputingwithnanomagnetsforcomputervisionapplications[J].NatureNanotechnology,2016(11):177-183.

[10]GiovanniMariaFarinella,TakeoKanade,MarcoLeo,etal.Specialissueonassistivecomputervisionandrobotics-“assistivesolutionsformobility,communicationandHMI”[J].ComputerVisionandImageUnderstanding,2016(149):1-2.

[11] 王俊奇,李闖,董曄.Bishop法的半解析解及其廣義數(shù)學(xué)模型[J].水利與建筑工程學(xué)報(bào),2015(6):123-128.

[12]JanuszRosiek.MassToMI—AmathematicapackageforanautomaticmassInsertionexpansion[J].ComputerPhysicsCommunications,2016,201:144-158.

[13]VladimirV,Bytev,BerndA.Hyperdire-hypergeometricfunctionsdifferentialreduction:mathematica-basedpackagesforthedifferentialreductionofgeneralizedhypergeometricfunctions:lauricellafunctionFCFCmathcontainerloadingmathjax,ofthreevariables[J].ComputerPhysicsCommunications,2016,206:78-83.

[14]FinardiEC,TakigawaFYK,BritoBH.Assessingsolutionqualityandcomputationalperformanceinthehydrounitcommitmentproblemconsideringdifferentmathematicalprogrammingapproaches[J].ElectricPowerSystemsResearch,2016(136):212-222.

A New Computer Vision Algorithm

JIA Run-liang

(InformationInstitute，ShanxiFianceandTaxationCollege，Taiyuan030024，China)

By the commission of the computer vision project of ant gold service，in order to improve the recognition efficiency of the computer vision and accuracy，using the idea of machine learning to develop automatic evolution image learning machine，this article uses Mathematica cloud as the computing cloud，search cloud of this modified learning machine，makes learning function and decision function embed into the learning machine in order to achieve the calculation and search by inputting image and importing Mathematica Cloud to learning machine.By using the search results to exercise the learning function of the learning machine，by using the calculated results to exercise decision-making function of learning machine，in order to achieve high efficiency recognition speed and high accuracy rate of recognition effect.Based on the calculating example provided by ant gold service，the simulation experiment has been carried on and compared with the common recognition algorithm from calculation speed，convergence and identification precision.The results show that image recognition ability is quite good in the new algorithm proposed in this paper.Compared with the traditional algorithm，this algorithm has faster computing speed，absolute convergence，and much higher than traditional algorithm in recognition accuracy.

Cloud MATHEMATICA；machine learning；decision function；recognition accuracy

10.3969/j.issn.1009-8984.2016.04.029

2016-10-12

賈潤(rùn)亮(1973-)，男(漢)，山西陽(yáng)曲，講師 主要研究人工智能，計(jì)算機(jī)應(yīng)用。

TP391

A

1009-8984(2016)04-0112-06