基于人工智能技術(shù)的景物識別算法研究

王萌

摘? ?要：隨著科技的發(fā)展和變遷，人工智能這一概念逐漸進入了人們的視線。人工智能是一種模擬開發(fā)人的智能的理論技術(shù)方法。很多人對人工智的概念感到很陌生，其實這一概念的提出由來已久。最早，人工智能是由計算機技術(shù)分支而來。但是隨著時代科技發(fā)展，人工智能逐漸被大眾所接受，應(yīng)用范圍逐漸變得廣泛，其中，在識別領(lǐng)域的應(yīng)用極為重要。圖象識別系統(tǒng)是基于人工智能的一種重要技術(shù)。圖象識別系統(tǒng)作為人工智能應(yīng)用的熱點技術(shù)，更為人們所知。文章也將對基于人工智能的景物識別算法展開研究。

關(guān)鍵詞：人工智能;景物;識別

基于人工智能的景物識別系統(tǒng)，并非是偶然出現(xiàn)的。其存在與發(fā)展是具有社會環(huán)境和歷史背景的。現(xiàn)代社會環(huán)境復(fù)雜多變，在景物識別方面存在很多困難。也正是由于外界景物的復(fù)雜，導(dǎo)致人類肉眼識別存在難度。人工智能技術(shù)的應(yīng)用則給景物識別技術(shù)帶來了新思路。

1? ? 基于人工智能的景物識別算法

隨著科技發(fā)展，人工智能已經(jīng)成為順應(yīng)時代發(fā)展需要所產(chǎn)生的產(chǎn)物。然而景物識別技術(shù)的應(yīng)用并不簡單，其在實際應(yīng)用中存在很大難度。景物識別技術(shù)一般在日常生活中應(yīng)用比較廣泛，諸如無人駕駛、圖象檢索等（見圖1）。

景物識別技術(shù)基礎(chǔ)就是對于圖象的理解和應(yīng)用。眾所周知，圖象的特征一般是顏色、紋理等。在眾多圖象特征中，顏色作為圖象最為直觀的特征，在人類認(rèn)知中的應(yīng)用也最為直接廣泛。這是由于景物顏色一般是與景物直接相關(guān)的。而紋理等特征則更多的是體現(xiàn)景物的動態(tài)變化效果，是景物的結(jié)構(gòu)基礎(chǔ)，更多地體現(xiàn)了景物內(nèi)在的屬性及其結(jié)構(gòu)關(guān)系。現(xiàn)代的景物識別算法基本也是基于顏色和紋理這兩大特點來實現(xiàn)的。人類肉眼進行識別有一定的難度，通過景物的特征能夠更好地實現(xiàn)對景物的靈活識別和分析。不僅如此，外界環(huán)境相比于室內(nèi)，情況更為復(fù)雜多變，這就需要景物識別更加靈活，不能千篇一律。而基于人工智能的景物識別系統(tǒng)，其主要結(jié)構(gòu)就是通過景物的顏色和紋理來進行識別。神經(jīng)網(wǎng)絡(luò)作為景物識別的重要結(jié)構(gòu)，在景物識別技術(shù)中發(fā)揮了重要作用。神經(jīng)網(wǎng)絡(luò)并不是純網(wǎng)絡(luò)，而是多維立體網(wǎng)絡(luò)的集合。基于人工智能的景物識別技術(shù)中一大重點就是神經(jīng)網(wǎng)絡(luò)[1]。

2? ? 顏色特征提取

對于人類肉眼對景物進行識別的重要特征就是通過顏色。顏色特征作為認(rèn)識事物最為直觀的特征手段，在景物識別技術(shù)中也很受重視。顏色特征主要是描述景物的表面直觀特征。因此，對于景物顏色的提取是具有一定難度的，其依賴于對合適顏色空間的有效選取。對于常用的顏色空間選取，包括RGB空間，HSV空間等。RGB空間，相比于其他顏色空間，應(yīng)用最為廣泛。RGB空間更能為人所接受認(rèn)識的原因，主要在于其操作描述比較簡單，可行性高，并且適用于一般的標(biāo)準(zhǔn)化硬件。RGB空間所獨有的這些特征，有助于更高更快地進行顏色識別。而對于RGB空間而言，其并不能可以直觀認(rèn)識。這就需要人們借助顏色直方圖，總以調(diào)查景物識別技術(shù)中的顏色特征分布。顏色直方圖作為一種幫助人們加深對顏色分布認(rèn)識的手段，越來越多地被應(yīng)用到在景物識別技術(shù)的應(yīng)用研究中。顏色直方圖，相比于其他研究方法，最為突出的優(yōu)點，就是其能夠把顏色特征分布的研究簡單化。通過對顏色直方圖的應(yīng)用，人們能夠更直觀地認(rèn)識和了解景物顏色的分布。不僅如此，鑒于顏色直方圖其獨有的旋轉(zhuǎn)不變性和良好的尺度，其對于研究空間位置不變的圖象和固定難以分割圖像有良好作用。也正是由于顏色直方圖的獨有特點，使其在景物識別技術(shù)中應(yīng)用極為廣泛。在顏色直方圖中，RGB空間圖像中3個分量，都可以形成其對應(yīng)的顏色直方圖。雖然顏色直方圖本身是基于對RGB空間圖象的研究，但其RGB空間的各個分量取值范圍過大，導(dǎo)致顏色直方圖準(zhǔn)數(shù)很多。如果單純利用顏色直方圖進行景物識別算法運算，其計算量之大是不可想象的，算法的計算精度就會有所下降，影響景物識別技術(shù)的應(yīng)用。不僅如此，人類肉眼識別顏色圖像是有一定難度的，因此在運用景物識別算法進行計算時，無須進行細化計算。在運用景物識別算法進行計算前，可以對RGB分量進行量化，來減少顏色直方圖的集體結(jié)構(gòu)復(fù)雜性，更好地進行景物識別技術(shù)的應(yīng)用。

3? ? 紋理識別特征

紋理識別特征，作為與景物顏色特征同等重要的一大特征。紋理識別特征也是景物識別技術(shù)的重點特征。紋理識別特征相比于顏色特征，是一種整體全局的特征。紋理特征主要是人類通過觀察總結(jié)出來的圖象規(guī)律。紋理特征和顏色特征一樣，也是一種描繪景物表面的特征。但是不同的是，相比顏色特征，紋理特征也是一種獨特的統(tǒng)計特征。紋理特征作為景物識別技術(shù)的重要組成部分，其在降噪等方面都有很大優(yōu)勢。紋理特征的識別方法，相比顏色識別方法，有所不同，主要包括：統(tǒng)計法、結(jié)構(gòu)法、基于模型的方法和信號處理方法。眾所周知，統(tǒng)計法多種多樣，其中最為典型的是灰度共生矩形這一方法。灰度共生矩形陣并不是一個真的矩形方陣，而是一種矩形函數(shù)。與普通函數(shù)不同的是，這種矩形函數(shù)在景物識別技術(shù)中主要描述的是不同的角度和距離結(jié)構(gòu)變化。灰度矩形函數(shù)是用來描述紋理特征變化的一種重要手段。景物的紋理特征是由灰度矩形函數(shù)中空間的位置關(guān)系而體現(xiàn)的。因此，存在于函數(shù)的各個分量并不是相互獨立的，而是存在一定的灰度關(guān)系。紋理特征就是通過矩形函數(shù)的灰度之間的相關(guān)性，來幫助反映景物識別技術(shù)中的各類綜合信息。人類在對景物紋理特征進行研究時，一般也是通過灰度矩形方陣來進行研究。在景物圖像上具有一定距離的兩個像素之間，可以通過統(tǒng)計來得到一系列數(shù)據(jù)。

4? ? BP神經(jīng)網(wǎng)絡(luò)分類器

基于景物圖像的顏色特征和紋理特征，人類研究出了BP神經(jīng)網(wǎng)絡(luò)分類器。BP網(wǎng)絡(luò)分類器是一種基于多個變量的分類儀器。BP神經(jīng)網(wǎng)絡(luò)相比于其他神經(jīng)網(wǎng)絡(luò)，重點在于對 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分類。BP神經(jīng)網(wǎng)絡(luò)并不能直接應(yīng)用于景物識別技術(shù)，而是要經(jīng)過一定的學(xué)習(xí)訓(xùn)練。對BP神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練的過程并不簡單，主要包括兩個階段，即正向傳播和反向傳播兩個階段。正向傳播，正常是由輸入層進入，最終由輸出層輸出，其過程當(dāng)然并不僅是簡單的輸入輸出過程，而是包含了隱含層處理、權(quán)值計算等步驟。在正向傳播過程中，可以把前一層看作下一層的輸入層。也正是由于一層一層的輸入和輸出，才會產(chǎn)生數(shù)據(jù)的偏差。如果將輸出層的輸出數(shù)據(jù)信號，與期望的輸出數(shù)據(jù)信號進行對比，就可以發(fā)現(xiàn)二者是存在一定偏差的，這就意味著其產(chǎn)生了誤差。誤差產(chǎn)生會使信號被重新回流。信號回流的意義并不只是反向回流，而是其會對所經(jīng)過的各層權(quán)值進行調(diào)整，從而提高其精度。正是信號的回流與精密調(diào)整，才使信號回流成為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的必要步驟。BP神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整也并不只是依靠其對期望數(shù)據(jù)與實際數(shù)據(jù)的比較分析，更依賴大量的樣本數(shù)據(jù)分析，也正是完備的BP神經(jīng)網(wǎng)絡(luò)，才使景物識別技術(shù)得到了技術(shù)支撐[2]。

5? ? 結(jié)語

隨著時代與社會的發(fā)展，人工智能成為社會科技的一大發(fā)展趨勢。也正是人工智能的突飛猛進，使得景物識別技術(shù)得到了迅猛發(fā)展。景物識別技術(shù)一改過去人類用肉眼認(rèn)識景物的方法，幫助人們更準(zhǔn)確地對景物產(chǎn)生認(rèn)知。景物識別計算算法，其依賴的景物顏色特征和紋理特征也受到更多人關(guān)注。本文主要對基于人工智能的景物識別算法結(jié)構(gòu)進行了分析。

[參考文獻]

[1]張學(xué)工.模式識別[M].北京：清華大學(xué)出版社，2000.

[2]高程程，惠曉威.基于灰度共生矩陣紋理特征提取[J].計算機系統(tǒng)應(yīng)用，2010（6）：195-198.