基于機器視覺的圖像識別技術分析

何曉瑩

摘 要：隨著信息技術的發展，基于機器視覺的圖像識別技術成為各界的研究重點，讓該項技術得到了廣泛應用。本文主要針對基于機器視覺的圖像識別技術的現狀進行分析，結合該項技術中的核心關鍵進行分析，并且利用具體應用案例，深層次研究該技術在各行業中的實際應用情況，以供參考。

關鍵詞：機器視覺;圖像識別技術;應用領域;應用效果

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2019）19-0039-02

0 引言

近幾年來，基于機器視覺的圖像識別技術得到了進一步發展，從傳統的數值圖像識別轉變為智能識別，特別是在一個復雜場景中，這種技術可以更加穩定、客觀、準確的完成識別工作。因此，加強對基于機器視覺的圖像識別技術的研究分析，可以推動圖像識別工作得到進一步發展，需要得到重視。

1 基于機器視覺的圖像識別技術的發展現狀

基于機器視覺的圖像識別技術發展過程中，以圖像處理、識別為基礎，利用人工智能、虛擬現實等技術，完成識別處理工作，現如今廣泛應用于航空航天、醫療等領域。然而，在實際的應用過程中，圖像所在的識別環境較為復雜、識別目標多元化，想要實現高效、精確地圖像識別存在較大的困難，因此近幾年來，越來越多的專業人士開始針對圖像識別技術進行研究。機器視覺的圖像識別技術作為一種先進技術，在未來發展中會得到更加廣泛的應用，滿足日益增長的機器視覺市場需要，開發出更多的機器視覺圖像識別設備[1]。

2 基于機器視覺的圖像識別技術的核心關鍵

2.1 圖像的預處理

在基于機器視覺的圖像識別技術中，圖像預處理工作十分重要，可以有效降低后續算法的復雜度，提高識別效率。通常，可以使用降噪處理方法將圖像恢復到清晰的點線圖，圖像預處理將直接影響到最終的分析結果。傳統的圖像預處理方式包括：灰度方差法和局部灰度差法，但是這兩種方式的準確性較低，特別是在單個灰度圖像區域中無法獲得精確的效果。根據圖像的四種區域分割情況，通常采用圖像分割法完成預處理工作，以此保證圖像或許處理的準確性，提高工作效率，節約工作時間。但是，在實際應用過程中，需要根據實際情況，進行具體分析，單一圖像處理技術無法保證預處理效果處于最理想的狀態，所以可以采用多種方法結合的方式，完成處理，保證效果最優。

2.2 圖像特征提取

圖像特征提取作主要是針對目標圖像中的特征點進行分析，并且劃分為不同的特征子集，特征提取技術的應用將對目標圖像識別的精度和速度產生重要影響。這些特征子集一般為孤立的點集或者連續的曲線集，而圖像特征一般包括：顏色特征、圖像紋理、圖像形狀、空間關系特征。這其中顏色特征作為主體特征，是第一捕捉特征點，但并不適用于圖像的局部特征捕捉，圖像紋理特征作為表面屬性，雖然體現了一定的性質，但不能完全反映出對象的基本特征，因此無法捕捉高層次內容。紋理特征需要設備具有較強的抗噪、抗干擾的能力，否則會產生較大的偏差，形狀特征也并不常用，一旦圖形發生變形，就會對最終的辨識工作產生影響。形狀特征通常從圖像中感興趣的區域提取，其具有一些共同的屬性。目前，形狀特征提取缺乏數據模型的支持，當目標圖像變形時，該方法不是很有效。此外，一次性描述所有目標特征需要昂貴的高性能處理設備。空間關系特征主要是針對目標之間的相對位置關系和圖像中每個目標的絕對位置信息，也是較為常用的特征的之一，但需要注意的是，僅根據空間信息特征無法準確描述圖像，需要將上述所有特征進行統一分析，進行綜合判定，以此保證的最終結果的準確性[2]。

2.3 相似圖像匹配

相似圖像匹配也是基于機器視覺的圖像識別技術中必不可少的重要組成部分，這一技術就是從不同的視角開始，分析一幅或多幅圖像中與目標區域相同或相似的圖像區域。在傳統的圖像識別中，它會受到拍攝環境、拍攝角度和拍攝設備自身精度等因素的影響。拍攝的圖像會失真和畸變，這將威脅到相似圖像匹配的準確性。但是在基于機器視覺的圖像識別技術中的圖像匹配通過高質量、抗感染的匹配方式，實現高匹配率和高效匹配。常見的圖片匹配方式包括基于灰度的匹配方法和基于特征的匹配方法，此外，隨著神經網絡技術的不斷發展，也出現了很多全新的技術手段，包括：幾何圖元法、模型識別法、信號處理法和傅氏形狀描述法。近些年來，基于神經網絡的深度學習方法日趨成熟，許多新技術可用于圖像匹配。

3 基于機器視覺的圖像識別技術的應用領域

3.1 醫療領域

基于機器視覺的圖像識別技術在醫療領域中的應用，可以讓醫療行業得到進一步發展，尤其是近幾年來，醫療專業人士對這一技術的商業價值、科學價值有了全新的認識。將其應用在醫療器械的規格檢測、臨床醫學檢測、實驗室檢測等緩解，以臨床醫學為例，基于機器視覺的圖像識別技術可以在感知環節中充分發揮自身作用，將這項技術配合信息融合技術，應用在X射線透視圖、核磁共振圖中，輔助醫生對患者影像進行分析和處理，從而獲得更有價值、更準確的患者信息。現如今，“互聯網+醫療”這一事業的興起，成功帶動了醫療領域發展，讓醫療系統成為一個橫跨多個學科的行業，構建了沉浸式模式識別的醫療系統[3]。

3.2 交通領域

基于機器視覺的圖像識別技術在交通領域也得到了廣泛的應用。在該領域的應用主要體現在視頻檢測、智能車輛安全、交通管理等方面。在視頻檢測方面，主要體現在交通信息采集和交通事件檢測上，它通過采集的交通圖像分析人、車等交通事務，還可以進行進一步的定位和跟蹤。此外，在智能汽車安全方面，利用這一技術可以保證汽車形勢安全，在路徑識別、追蹤、障礙物檢測等方面發揮出巨大的作用，這一技術的主要應用集中在智能機器人、無人駕駛技術等方面。而在交通管理方面，基于機器視覺的圖像識別技術主要是應用在智能泊車、智能疏散等系統中，隨著科學技術的發展，信息技術水平的全面提高，這項技術會在交通領域中得到更加廣泛的應用。

3.3 農業領域

除了上述兩個方面之外，基于機器視覺的圖像識別技術還可以在農業生物環境和能源工程中應用。基于機器視覺的害蟲識別已經在國內外得到了廣泛應用，包括直接用可見光、近紅外光譜、其他光譜、支持向量機、神經網絡等。而基于機器視覺的圖像識別技術可在實際應用過程中，可以提高識別有效性、準確性、實時性，為農業種植噴藥提供重要數據。以基于機器視覺的稻飛虱活體圖像識別技術為例，在實際應用中，可以實現現場實時識別，利用拍攝設備采集不同稻飛虱活體圖像，通過軟件進行實時識別。在預處理稻飛虱活體圖像后，對圖像進行灰度化、二值化、數學形態學濾波、高斯濾波、平滑濾波等處理，得到高質量圖像，并進行進一步判斷，這種計算方法簡單穩定、效率較高，滿足實時性要求。根據南京農業大學衛崗水稻試驗站的實際實驗測試結果來看，基于機器視覺的稻飛虱活體圖像識別技術在實際應用中可以正常工作，并且實施實時識別并計數。不僅是害蟲識別，種植物局部特征識別中也可以應用這一技術，為農業的種植工藝確定奠定良好的基礎。

4 基于機器視覺的圖像識別技術的應用案例

由上可知，基于機器視覺的圖像識別技術可以在各行業中應用，根據上述分析，本文以基于機器視覺的運矸車輛車載圖像識別技術為例進行深入研究。運矸車輛車載圖像識別技術的主要識別物體就是煤塊矸石，這兩者實際差別較小，想要依靠表面特點判斷，可行性較低，但是利用運矸車輛車載圖像識別系統，可以提高識別的精準程度。

首先要完成系統搭建和標定。在運矸車輛車載圖像識別系統中選擇了Genie Nano M2590工業相機，這款工業攝像機延遲較低、定時精準，廣泛應用于基于機器視覺的圖像識別系統中，不僅如此，它還被應用于智能交通、物流、交通等生產生活領域。在確定相機型號后，還要確定光學鏡頭，本文選擇了VS1614-10M光學鏡頭配合工業相機，這個型號光學鏡頭最大的優點就是和工業相機搭配使用效果良好，且尺寸緊湊、安裝靈活、設計的結構小巧。在此基礎上，還要進行相機標定實驗，根據運矸車輛車載圖像識別系統的成像畸變情況、標定流程，根據具體的標定結構就可以進一步確認，系統的準確性和應用效果。其次要完成系統的圖像處理技術。在運矸車輛車載圖像識別系統中最主要的工作是對圖像進行處理，具體步驟如下：一是采集待識別對象的數據;二是數據預處理;三是計算預定的特征參數;四是對待識別對象進行分類識別。在圖像濾波過程中，對矸石圖像進行噪聲處理，分別采用中值濾波算法和自適應中值濾波算法進行處理，根據實際處理效果，發現前一種算法處理后依然殘留一定的噪聲點，不利于特征參數進行提取，會對最終的識別結果造成影響。

再次要完成輪廓提取和圖像裁剪。分別對比不同算子輪廓提取結果，本文選擇了Roberts算子、Sobel算子、Canny算子進行對比分析，最終發現Roberts算子和Sobel算子之間的處理結果較好，最終選擇了卷積核更小、運算量相對較小的Roberts算子方法完成物體輪廓。圖像裁剪工作也是非常重要，通過圖像裁剪可以降低計算機負擔，保留關鍵特性，提供計算機處理的快速性。最后要確定圖像特征提取方式。本文選擇了煤和矸石的幾種灰度特征作為分辨識別的依據，利用灰度直方圖來完成圖像化表示。對煤和矸石的幾種灰度特征進行灰度均值、灰度方差之間的計算，得到具體的計算結果后就可以進行目標分類。通過實際研究成果來看，這種先剪裁再處理的方法，有效保留了特征的優質區域，提高了運矸車輛車載圖像識別系統特征處理的實時性。不僅如此，還收集了大量的煤和矸石樣本照片，建立了樣本庫，收集支持向量機方法，樣本庫圖片建立分類器，為煤和矸石的分類和鑒定打下了良好的基礎。

5 總結

綜上所述，基于機器視覺的圖像識別技術在圖像預處理、特征提取、圖像匹配等方面，表現出智能化、多樣化的特征，是未來機器視覺的主要發展方向。通過對本文的分析，將機器視覺領域分為視覺檢測和機器人視覺。如今它廣泛應用于醫學檢測、智能交通、智能教學等領域，給人們帶來了新的生活。

參考文獻

[1] 牛世琛.基于機器視覺的運矸車輛車載圖像識別技術研究[J].時代汽車，2019（07）：12-13.

[2] 謝永杰，智賀寧.基于機器視覺的圖像識別技術研究綜述[J].科學技術創新，2018（07）：74-75.

[3] 楊賽.基于張量分析的玉米種子高光譜圖像最優波段選擇[D].江南大學，2017.