目標識別算法綜述

尉震行

（遼寧 大連 116000）

隨著計算機科學與人工智能的不斷發展，人們對于目標檢測識別的關注度已愈來愈高。目標檢測的任務主要是將我們不關心的背景去除，去除背景的過程可以采用一系列的算法，之后提取出我們關心的目標。

目標檢測是基于計算機視覺與圖像處理，模式識別，機器學習，深度學習等眾多學科交叉的一門研究課題。本文首先對目標檢測的硬件系統做了總結分析，之后對于目標識別的傳統算法做了研究與比較，最后對深度學習在目標識別領域的一些方法進行了研究，并與傳統方法做了對比，對未來的計算機視覺和目標檢測的發展趨勢做了一些展望。

1 傳統的目標檢測算法

傳統的方法中，圖像在計算機當中可以用函數來定義，函數的基本表達為f（x，y）。函數值代表像素的灰度。

1.1 傳統方法特征選擇過程

特征的選擇是傳統算法中最重要的部分，特征包含顏色特征、紋理特征、形狀特征等等。針對以顏色為主要特征的目標檢測應用場景中，一般目標與背景有較大的顏色差異，我們可以選擇合適的顏色空間來將背景和目標進行分離，從而完成目標的檢測。常用的顏色空間有：RGB、HIS、Lab等等。RGB顏色空間即紅綠藍三色空間，R代表紅色、G代表綠色、B代表藍色。HIS空間也有三個通道分量，H代表色調、I代表亮度、S代表飽和度，這種顏色空間的一大特點就是接近于人的感知。紋理是對圖象的象素灰度級在空間上的分布模式的描述，反映物品的質地，如粗糙度、光滑性、顆粒度、隨機性和規范性等。當圖象中大量出現同樣的或差不多的基本圖象元素（模式）時，紋理分析是研究這類圖象的最重要的手段之一。此外分析方法也十分重要，針對以紋理為主要特征的場景中，描述一塊圖象區域的紋理有三種主要的方法，統計分析方法、結構分析方法和頻譜分析方法。

1.2 傳統視覺算法其余重要過程

在采集到圖像之后，圖像往往會由于電子器件或者傳輸干擾產生一些噪聲，噪聲點過多會影響我們后續的處理操作，所以需要將噪聲去除，去除噪聲的方法有很多種，最常用的有兩種：第一種方法，中值濾波法，中值濾波法即是將圖像濾波器當中的像素值由低到高依次排列，取出中位值，用中位值代替其他位置的像素值，一般來說濾波器的尺寸可以選為3×3濾波器或者5×5濾波器。第二種方法平均濾波法，平均濾波法即是將圖像濾波器當中的像素值平均化處理，取出平均值，用平均值代替其他位置的像素值。在選擇完顏色空間之后，我們的目的是將目標和背景進行分離，需要用到分割算法。常用的分割算法有固定閾值法、顏色聚類法、自動閾值法等等。固定閾值法主要是通過人為的設定分割閾值，大于閾值的為背景或目標，其余的為目標或背景，這樣目標和背景便能夠根據此值進行分離。顏色聚類法主要是通過讓不同的顏色聚為不同的類別，從而將目標與背景進行分離。自動閾值法主要是通過計算機自動對圖像當中的情況設定閾值，閾值可能會根據圖像的不同而不同，這樣設定的閾值更加合理，從而將目標和背景進行分離。

在分割之后，往往有兩類誤差點：第一類誤差點是目標點被錯誤的分類成背景點、第二類誤差點是背景點被錯誤的分為目標點。針對這兩種誤差，需要進行分割圖像后處理操作。后處理過程一般為形態學處理過程，主要包括腐蝕過程和膨脹過程，腐蝕過程能夠去除一些很小的孤立點，主要執行的操作是目標邊界的收縮，膨脹過程能夠去除一些目標內部的孔洞，主要執行的操作是目標邊界的向外擴張。通過這兩種方法，一般能夠將誤差點去除，從而達到很好的分割效果。在后處理之后，往往目標已經能夠清晰的呈現在眼前，這時候需要用矩形或者圓形將目標進行擬合，顯示出識別結果，例如在對圓形形狀的物體進行識別的時候，往往會采用霍夫變換的方法來擬合圓形，霍夫變換最早是用來檢測直線的，用的原理是統計原理，即霍夫變換對組成直線的兩個像素點進行統計，統計數最高的直線便是目標直線。之后霍夫變換又用來檢測圓形，根據三個點確定一個圓的原理，霍夫變換對輪廓上的點進行統計，找出統計數最高的圓形，便是目標圓形。之后，霍夫變換又被開發改善，能夠識別橢圓形等一系列圖形，并且具有較好的穩定性，往往被應用在傳統目標識別算法領域。

1.3 傳統視覺方法檢測前沿進展

傳統視覺方法的檢測算法已經越來越成熟，以水果檢測為例，在2015年，Moghimi運用傳統視覺方法設計實現了一種溫室青椒識別檢測系統。Moghimi首先進行了青椒圖像的采集工作，由于青椒與枝葉顏色相近同為綠色，所以要提取出圖像內容中的紋理特征，然后根據紋理特征進行分類，之后根據分類結果選出紋理特征為光滑的一類，最終進行色調、飽和度和綠色系數的分析，最終檢測出青椒，此方法在實驗室中進行模擬實驗，準確率能夠達到84%。2016年Brown設計了一個櫻桃采摘機器人，Brown首先通過CCD相機對櫻桃的圖像進行實時采集，之后對圖像進行二值化并加上腐蝕和膨脹等形態學操作，從而將櫻桃與背景進行分割，將提取出來的果實部分再傳送給控制器，此櫻桃采摘機器人的視覺系統最終能夠識別出櫻桃存在的整片區域。積層：卷積層的主要目的在于充分的提取特征，卷積層中最重要的單元是卷積核，每一個卷積核相當于一個過濾網，能夠把符合條件的特征信息篩選過濾出來，卷積核包含多種尺寸，例如有3×3卷積核、5×5卷積核等等，大的卷積核能夠使得特征快速充分的提取出來，但是需要的參數更多，數據量更大，小的卷積核訓練的參數較小，數據量較小，所以需要根據目標識別系統的具體特點和識別任務的不同來進行分析，之后選出合適的卷積核。池化層：池化層的主要目的是將卷積層處理之后的數據量進行縮小。因為通過卷積之后的圖像數據量一般遠遠大于原始數據量，并且包含很多的重復信息或者說無用信息。為了解決這個問題，需要對數據量進行縮減，也就是池化。池化又分為若干種，較為常用的有最大池化和平均池化。最大池化就是將模板當中的最大值元素作為池化最終結果進行輸出、平均池化就是將模板當中的所有元素相加取平均作為池化的最終結果進行輸出。最終經過池化之后，數據量大大減少，特征提取的也較為充分，可以進行下一步的處理。輸出層：輸出層主要是將池化之后的結果進行進一步的全連接處理，最終輸出結果，如圖1所示。

圖1 bp網絡結構圖

2 深度學習目標檢測

2.1 人工神經網絡簡介

深度學習的靈感來源于生物的大腦認知原理，尤其是大腦對于視覺的處理過程。大腦對于圖像的信號處理過程是：首先進行圖像的攝入，之后通過大腦的神經元與神經網絡對眼前的圖像進行處理，具體過程是抽象的，然后根據抽象結果，大腦進行目標的判斷和識別。

計算機科學家受到生物學當中的神經網絡啟發，想到模仿人腦的特點，構造出人工神經網絡。

2.2 卷積神經網絡

卷積神經網絡主要是用來處理圖像的神經網絡，與其他網絡結構的不同之處在于，卷積神經網絡在最基本的神經網絡結構之上加入了卷積層和池化層。所以，卷積神經網絡結構大致可以分為四個部分：輸入層、卷積層、池化層、輸出層。輸入層：輸入層主要負責輸入目標信息，具體包含圖像的信息、像素的信息等等。卷

2.3 深度學習方法檢測前沿進展

深度學習方法現階段已經越來越多的應用到檢測識別領域之中，以水果檢測為例，王海青等采用BP神經網絡分割蘋果圖像，提取 3 個紋理特征值和 4 個幾何特征值輸入到網絡當中作為輸入層數據，之后經過訓練，輸出蘋果的識別結果。針對蘋果識別，劉海全選取的是faster rcnn網絡框架，沒有對網絡結構進行修改，此網絡主要由三部分構成：特征提取、區域生成網絡（RPN）和fast rcnn。直接將采集到的蘋果圖像數據集輸入網絡做整體處理，最終得出的識別率為 79．32%。

此外，除了這兩種網絡框架，rcnn在2014年被發表、SPP-NET在2014年被發表、yolo在2016年被發表、fast rcnn在2015年被發表、這幾種發表的網絡均廣泛用于深度學習物體檢測中，當然還有ResNeXt、DenseNet等網絡也較為常用。

3 深度學習目標識別與傳統目標識別算法前沿方案進展與比較

傳統目標識別算法的優點在于能夠將識別特征清晰的顯現出來，并且如果目標較為簡單，輪廓較為清晰或者顏色對比較為鮮明，那么采用傳統目標識別算法便可以很好的將目標識別出來，且算法的復雜度較低。

針對調研的有關目標檢測的結果，統計了不同論文當中傳統算法和深度學習算法的使用次數以及使用效果，發現針對于較為復雜的目標，例如人臉、車輛等使用深度學習的算法較多，且效果較好。針對于較為簡單，特征較為明顯的目標，例如蘋果、番茄、球類等使用傳統的目標識別算法較多，且效果較好。具體統計結果見表1。

表1 調研統計結果

目前，以蘋果檢測為例，對蘋果進行識別的思路大致分為四種：第一種是全部過程均利用神經網絡，將蘋果圖像作為輸入，直接進行網絡訓練，最終輸出識別結果。第二種是全部過程均采用傳統視覺方法，針對蘋果的形狀、顏色等特征，對蘋果進行特征的分析，并根據特征對蘋果進行識別。第三種是先采用神經網絡方法對蘋果果實和背景進行分割，之后再用傳統視覺方法進行識別。第四種是先采用傳統分割方法對蘋果果實和背景進行分割，之后采用神經網絡對蘋果進行識別。前兩種思路已經分別在前面章節做了介紹，第三種和第四種思路屬于深度學習與傳統方法的融合。

張亞靜、劉剛等人實現了第一種思路的蘋果識別算法，他們先采用BP神經網絡對蘋果果實與背景進行分割，神經網絡結構為三層，輸入層有3個神經元，以R/B值、對比度值和亮度值作為輸入，中間隱藏層為6個神經元，最終輸出層為1個神經元，之后利用分割結果采用霍夫變換進行圓擬合，實現對蘋果的識別。該作者最后做了識別率驗證試驗、試驗條件為果園中陰天和晴天采集的蘋果照片共200張、做了整體識別率測試，識別率為 87．6%。

李曉洋、唐磊等人實現了第二種思路的蘋果識別算法，首先利用聚類算法將蘋果果實與背景進行分割，之后利用RBF神經網絡對蘋果圖像進行訓練，RBF神經網絡共有三層，分別為輸入層，中間層和輸出層，輸入層有16個神經元，分別輸入分割后圖像的RGB、HIS等顏色特征分量和分割輪廓的周長面積比等特征，中間層也為16個神經元，然后通過輸出層將識別結果輸出。

張亞靜、劉剛等人實現了第一種思路的蘋果識別算法，他們先采用BP神經網絡對蘋果果實與背景進行分割，神經網絡結構為三層，輸入層有3個神經元，以R/B值、對比度值和亮度值作為輸入，中間隱藏層為6個神經元，最終輸出層為1個神經元，之后利用分割結果采用霍夫變換進行圓擬合，實現對蘋果的識別，如圖2。

該作者最后做了識別率驗證試驗、試驗條件為果園中陰天和晴天采集的蘋果照片共500張、識別率檢測時按照單個蘋果、枝葉遮擋下的蘋果和重疊蘋果做了分類，并最終做了整體識別率的測試，整體識別率為86．3%，如表2。

圖2 蘋果識別效果

表2 兩種不同結合思路效果統計表

綜合以上算法的分類與比較發現，對一個物體進行檢測和識別的方法有多種多樣，方法的不同，最終得到的結果也不同，傳統方法在現階段如果能對特征進行詳細的分析，在特征的基礎上進行識別檢測，那么也可以達到滿意的效果，但是缺點就是過程繁瑣，且結果不一定好。而深度學習方法在檢測領域有著簡單準確的特點，采用網絡，進行參數的調整，訓練、測試，最終能夠達到較好的效果，不需要對特征進行具體闡明。另外，將深度學習算法與傳統神經網絡算法結合，一定程度上效果會更好，因為經過傳統方法對特征的提取，特征更加明確，網絡訓練效果更為顯著。

4 結語

本文研究了計算機領域目標識別的算法，包含傳統目標識別算法和深度學習目標識別算法，傳統目標識別算法大致分為以下步驟：預處理、顏色空間選擇、分割算法、后處理等等，深度學習目標識別算法主要包含卷積神經網絡等。之后針對這兩種算法的前沿解決方案做了詳細的分析，并將二者結合的思路做了闡述、分析、分類與對比，得出了相關結論。