图像识别_图像识别代码 - CSDN
图像识别 订阅
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。 [1]  现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域 [2]  。图像的传统识别流程分为四个步骤:图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等,国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。 展开全文
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。 [1]  现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域 [2]  。图像的传统识别流程分为四个步骤:图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等,国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。
信息
所属学科
计算机科学
外文名
image identification
中文名
图像识别
图像识别简介
图形刺激作用于感觉器官,人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程,才能实现对图像的再认。
收起全文
  • 本文会从理论基础、数据采集、训练集打包、模型训练、模型测试、模型部署等方面完整讲解一个tensorflow图片识别项目,学完本项目可了解tensorflow
  • 图像识别的原理、过程、应用前景

    千次阅读 多人点赞 2019-05-10 11:29:54
    图像识别的原理、过程、应用前景1、图像识别技术的引入1.1图像识别技术原理1.2模式识别2、图像识别技术的过程3、图像识别技术的分析3.1神经网络的图像识别技术3.2非线性降维的图像识别技术3.3 图像识别技术的应用及...


    在这里插入图片描述
    图像识别技术是信息时代的一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展,人类对图像识别技术的认识越来越深刻。图像识别识别的过程分为信息的获取、预处理、特征抽取和选择、分类器的设计和分类决策。简单分析了图像识别技术的引入、其技术原理以及模式识别等,之后介绍了神经网络的图像识别技术和非线性姜维的图像识别技术以及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛,人类的生活将无法离开图像识别技术,研究图像识别技术具有重大的意义。

    1、图像识别技术的引入

    图像识别是人工智能的一个重要的领域。图像识别的发展经历了三个阶段:文字识别、数字图像处理与识别、物体识别。图像识别,顾名思义,就是对图像做出各种处理、分析,最终识别我们所要研究的目标。今天所指的图像识别并不仅仅是用人类的肉眼,而是借助计算机技术进行识别。虽然人类的识别能力很强大,但是对于高速发展的的社会,人类自身识别能力已经满足不了我们的需求,于是就产生了基于计算机的图像识别技术。这就像人类洋酒生物细胞,完全靠肉眼观察细胞是不现实的,这样自然就产生了显微镜等用于精确观测的仪器。

    1.1图像识别技术原理

    其实图像识别背后的技术的原理并不是很难,只是器要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的,它都是学者们从生活实践中得到启发而利用程雪将其模拟实现的。计算机的图像识别技术在原理上并没有本质的区别,只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借从整个图像存储在脑海中的记忆来识别的,我们识别图像都是依靠图像所觉有的本身特征而将这些图像分了类,然后通过各个类别所觉有的特征将图像识别出来的,只是很多的时候我们没有意识到这一点,当看到一张图片时,我们的大脑会迅速将图像识别出来的,只是很多时候我们没有意识到这一点。当看到一张图片时,我们的大脑会迅速的感应到是否讲多此图片或与其相似的图片。其实在“看到”与“感应到”的中间经历了一个迅速识别的过程,这个识别的过程和搜索有些类似。在这个过程中,我们的大脑会根据存储记忆中已经分好的类别进行识别,查看是否有与该图像具有相同或类似特征的存储记忆,从而识别出是否见过该图像.机器的图像识别技术也是如此,通过分类并提取重要特征而排除多余的信心来识别图像。机器的图像识别技术也是如此,通过分类并提取重要特征而排出多余的信息来识别图像。机器所提取的这些特征优势会非常明显,有事有事很普通,这在很大程度上影响了机器的识别速率。总之,在计算机视觉识别中,图像的 内容通常是图像特征进行描述。

    1.2模式识别

    模式识别是人工智能和新科学的重要组成部分。模式识别是指对表示事务或现象的不同形式的信息做分析和处理从而得到一个事务或现象做出描述、辨认和分类的过程。

    计算机的图像识别技术就是模拟人类的图像识别过程。在图像识别的过程中进行模式识别是必不可少的。模式识别原本是人类的一项基本智能,但随着计算机的发展和人工智能的兴起,人类本身的模式识别已经满足不了生活的需要,于是人类就希望用计算机来代替或扩展人类的部分脑力劳动。这样计算机的模式识别就产生了。简单地说,模式识别就是对数据进行分类,它是一门与数学紧密结合的科学,其中所用的思想大部分是概率与统计。模式识别主要分为三种:统计模式识别,句法模式识别、模糊模式识别。

    2、图像识别技术的过程

    既然计算机的图像识别技术与人类的图像识别原理相同,那它们的过程也是大同小异的。图像识别技术也分为已下几步:信息的获取,预处理、特征抽取和选择、分类器设计和分类决策。
    信息的获取指通过传感器,将光或声音等信息转化为电信息。也就是获取研究对象的基本信息并通过某种方法将其转变为机器能够认识的信息。
    预处理主要是指图像处理中的去燥、平滑、变换等操作,从而加强图像的重要特征。
    特征抽取和选择是指在模式识别中,需要进行特征的抽取和选择。简单的理解就是我们所研究的图像是各式各样的,如果需要利用某种方法将它们区分开,就要通过这些图像所具有的本身特征来识别,而获取这些特征过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的,这个时候就要提取有用的特征,这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一,所以对这一步的理解是图像识别的重点。
    分类器设计是指通过训练而得到一张识别规则,通过此识别规则可以得到的一种特征分类,使图像识别技术能够得到高识别率。分类决策时是指在特征空间中对识别对对象进行分类,从而更好地识别所研究的对象具体属于哪一类。

    3、图像识别技术的分析

    随着计算机技术的迅速发展和科技的不断进步,图像识别技术已经在众多领域得到了应用。计算机在很多方面确实具有人类所无法超越的优势,也正是因为这样,图像识别技术才能为人类社会带来更多的应用。

    3.1神经网络的图像识别技术

    神经网络图像识别技术是一种比较新型的图像识别技术,是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。这里的神经网络是指人工神经网络,也就是说这种神经网络并不是动物本身所具有的真正的神经网络,而是人类模仿动物神经网络后人工生成的。在神经网络图像识别技术中,遗传算法BP网络项融合的神经网络图像识别模型是非常经典的,在很多领域都有它的应用。在图像识别系统中利用神经网络系统,一般会先提取图像的特征,再利用图像所具有的特征映射到神经网络进行图像识别分类。以汽车牌照自动识别技术为例,当汽车通过的时候,汽车自身具有的检测设备会有所感应,此时检测设备就会启用图像采集装置来获取汽车正反面的图像。获取了图像后必须将图像上传到计算机进行保存以便识别。最后车牌定位模块就会提取车牌信息,对车牌上的字符进行识别并显示最终的结果。在对车牌的上的字符进行识别的过程中就用到了机遇模版匹配算法和人工神经网络算法。

    3.2非线性降维的图像识别技术

    计算机的图像识别技术是一个异常高维的识别技术。不管是图像本身的分辨率如何,其产生的数据经常是多维性的,这给计算机的识别带来了非常大的困难。想让计算极具有高效的识别能力,最直接有效的方式就是降维,降维分为线性降维和非线性降维。例如主要成分分析(PCA)和线性奇异分心(LDA)等就是常见的线性降维方法,他的特点是简单、易于理解。但是通过线性降维处理的是整体的数据集合,所求的是整个数据集合的最优低维投影。经过验证,这种线性的降维策略计算复杂度高而且占用相对较多的时间和空间,因此就产生了基于非线性降维的图像识别技术,它是一种极其有效的非线性特征提取方法。此技术可以发现图像的非线性结构而且可以在不破坏其基础上对其进行降维,是计算机的图像识别在尽量低的维度进行,这样就提高了识别速率。例如人脸图像识别系统所需的维数通常很高,其复杂度之高对计算机来说无疑是巨大的“灾难”。由于在高维度空间中人脸图像的不均匀分布,使得人类可以通过非线性降维技术来得到分布紧凑的人脸图像,从而提高人脸识别技术的高效性.

    3.3 图像识别技术的应用及前景

    计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统;公共安全方面的的人脸识别技术、指纹识别技术;农业方面的种子识别技术、食品品质检测技术;医疗方面的心电图识别技术等。随着计算机技术的不断发展,图像识别技术也在不断的优化,其算法也在不断改进。

    转自(https://mp.weixin.qq.com/s/THE5B77C_AJa5y6sfOXpaA )侵删

    展开全文
  • python人工智能-图像识别

    万次阅读 多人点赞 2019-08-03 16:43:15
    一、安装库 首先我们需要安装PIL和pytesseract库。...pytesseract:图像识别库。 我这里使用的是python3.6,PIL不支持python3所以使用如下命令 pip install pytesseract pip install pillow 如果是p

    一、安装库

    首先我们需要安装PIL和pytesseract库。
    PIL:(Python Imaging Library)是Python平台上的图像处理标准库,功能非常强大。
    pytesseract:图像识别库。

    我这里使用的是python3.6,PIL不支持python3所以使用如下命令

    pip install pytesseract
    pip install pillow
    

    如果是python2,则在命令行执行如下命令:

    pip install pytesseract
    pip install PIL
    

    这时候我们去运行上面的代码会发现如下错误:

    错误提示的很明显:
    No such file or directory :"tesseract"

    这是因为我们没有安装tesseract-ocr引擎

    二、tesseract-ocr引擎

    光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描,然后对图像文件进行分析处理,获取文字及版面信息的过程。OCR技术非常专业,一般多是印刷、打印行业的从业人员使用,可以快速的将纸质资料转换为电子资料。关于中文OCR,目前国内水平较高的有清华文通、汉王、尚书,其产品各有千秋,价格不菲。国外OCR发展较早,像一些大公司,如IBM、微软、HP等,即使没有推出单独的OCR产品,但是他们的研发团队早已掌握核心技术,将OCR功能植入了自身的软件系统。对于我们程序员来说,一般用不到那么高级的,主要在开发中能够集成基本的OCR功能就可以了。这两天我查找了很多免费OCR软件、类库,特地整理一下,今天首先来谈谈Tesseract,下一次将讨论下Onenote 2010中的OCR API实现。可以在这里查看OCR技术的发展简史。
    Tesseract的OCR引擎最先由HP实验室于1985年开始研发,至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而,HP不久便决定放弃OCR业务,Tesseract也从此尘封。
    数年以后,HP意识到,与其将Tesseract束之高阁,不如贡献给开源软件业,让其重焕新生--2005年,Tesseract由美国内华达州信息技术研究所获得,并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

    ###安装tesseract-ocr引擎

    brew install tesseract
    

    然后我们通过tesseract -v看一下是否安装成成功

    tesseract 3.05.01
    leptonica-1.75.0
    libjpeg 9b : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11
    

    这时候我们运行上面代码会出现乱码

    这是因为tesseract默认只有语言包中没有中文包,如下图:

    ###安装tesseract-ocr语言包
    我们去GitHub下载我们需要的语言包,这里我只下载了chi_tra.traineddatachi_sim.traineddata
    github:tesseract-ocr/tessdata
    然后放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路径下面。

    可以通过tesseract --list-langs查看本地语言包:

    可以通过tesseract --help-psm 查看psm

    0:定向脚本监测(OSD)
    1: 使用OSD自动分页
    2 :自动分页,但是不使用OSD或OCR(Optical Character Recognition,光学字符识别)
    3 :全自动分页,但是没有使用OSD(默认)
    4 :假设可变大小的一个文本列。
    5 :假设垂直对齐文本的单个统一块。
    6 :假设一个统一的文本块。
    7 :将图像视为单个文本行。
    8 :将图像视为单个词。
    9 :将图像视为圆中的单个词。
    10 :将图像视为单个字符。

    为什么这里要强调语言包和psm,因为我们在使用中会用到,
    比如多个语言包组合并且视为统一的文本块将使用如下参数:
    pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")
    这里我们通过+来合并使用多个语言包。

    接下来我们看一下配置好一切的正确结果。

    import pytesseract
    from PIL import Image
    
    image = Image.open("../pic/c.png")
    code = pytesseract.image_to_string(image,lang="chi_sim",config="-psm 6")
    print(code)
    

    此时大公告成。

    ~~号外~~福利~~号外~~
    程序员的福音: “老曾筋骨祛痛贴”,百年祖传配方,专治腰间盘肩周颈椎坐骨神经腰腿疼痛等,博主亲测效果非常棒,因长期久坐写代码,坐姿不规范导致脖子疼,腰椎疼,用过之后疼痛逐渐缓解,现在已无任何疼痛,用过后让你写代码一身轻松,so easy,妈妈再也不用担心我们写代码了。

    扫码下方二维码,关注公众号“伟大程序猿的诞生“,回复“膏药”领取优惠券,进行购买
    扫码关注公众号“伟大程序猿的诞生“,更多干货新鲜文章等着你~

    公众号回复“资料获取”,获取更多干货哦~

    有问题添加本人微信号“fenghuokeji996” 或扫描博客导航栏本人二维码

    我的博客即将同步至腾讯云+社区,邀请大家一同入驻:
    https://cloud.tencent.com/developer/support-plan?invite_code=ncnq0hloo5yw

    展开全文
  • 先后就读于华中科技大学、中国科学院,先后就职于奇虎360AI研究院,陌陌深度学习实验室,6年计算机视觉从业经验,拥有丰富的传统图像算法和深度学习图像项目经验,著有畅销书《深度学习之图像识别:核心技术与案例...
  • 图像识别算法

    万次阅读 多人点赞 2017-09-04 19:13:49
    图像特征提取是图像分析与图像识别的前提,它是将高维的图像数据进行简化表达最有效的方式,从一幅图像的M×N×3的数据矩阵中,我们看不出任何信息,所以我们必须根据这些数据提取出图像中的关键信息,一些基本元件...

    图像特征包括颜色特征、纹理特、形状特征以及局部特征点等。

    局部特点具有很好的稳定性,不容易受外界环境的干扰。

    1. 局部特征点

    图像特征提取是图像分析与图像识别的前提,它是将高维的图像数据进行简化表达最有效的方式,从一幅图像的M×N×3的数据矩阵中,我们看不出任何信息,所以我们必须根据这些数据提取出图像中的关键信息,一些基本元件以及它们的关系。

    局部特征点是图像特征的局部表达,它只能反正图像上具有的局部特殊性,所以它只适合于对图像进行匹配,检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征,如颜色分布,纹理特征,主要物体的形状等。全局特征容易受到环境的干扰,光照,旋转,噪声等不利因素都会影响全局特征。相比而言,局部特征点,往往对应着图像中的一些线条交叉,明暗变化的结构中,受到的干扰也少。

    而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域,如草原上的一棵树或一栋房子。它是一个区域,所以它比角点的噪能力要强,稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。

    2. 斑点检测原理与举例

    2.1 LoG与DoH

    斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法(LOG),以及利用像素点Hessian矩阵(二阶微分)及其行列式值的方法(DOH)。

    LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点,所以可以利用卷积来求出图像中的斑点状的结构。

    DoH方法就是利用图像点二阶微分Hessian矩阵:

    H(L)=[LxxLxyLxyLyy]

    以及它的行列式的值DoH(Determinant of Hessian):

    det=σ4(Lxx(x,y,σ)Lyy(x,y,σ)−Lxy2(x,y,σ))

    Hessian矩阵行列式的值,同样也反映了图像局部的结构信息。与LoG相比,DoH对图像中的细长结构的斑点有较好的抑制作用。

    无论是LoG还是DoH,它们对图像中的斑点进行检测,其步骤都可以分为以下两步:

    1)使用不同的σ生成(∂2g∂x2+∂2g∂y2)∂2g∂x2,∂2g∂y2,∂2g∂x∂y模板,并对图像进行卷积运算;

    2)在图像的位置空间与尺度空间中搜索LoG与DoH响应的峰值。

    2.2 SIFT

    详细的算法描述参考:SIFT定位算法关键步骤的说明

    2004年,Lowe提高了高效的尺度不变特征变换算法(SIFT),利用原始图像与高斯核的卷积来建立尺度空间,并在高斯差分空间金字塔上提取出尺度不变性的特征点。该算法具有一定的仿射不变性,视角不变性,旋转不变性和光照不变性,所以在图像特征提高方面得到了最广泛的应用。

    该算法大概可以归纳为三步:1)高斯差分金字塔的构建;2)特征点的搜索;3)特征描述。

    在第一步中,它用组与层的结构构建了一个具有线性关系的金字塔结构,让我们可以在连续的高斯核尺度上查找特征点。它比LoG高明的地方在于,它用一阶高斯差分来近似高斯的拉普拉斯核,大大减少了运算量。

    在第二步的特征点搜索中,主要的关键步骤是极值点的插值,因为在离散的空间中,局部极值点可能并不是真正意义上的极值点,真正的极植点可以落在了离散点的缝隙中。所以要对这些缝隙位置进行插值,然后再求极值点的坐标位置。

    第二步中另一关键环节是删除边缘效应的点,因为只忽略那些DoG响应不够的点是不够的,DoG的值会受到边缘的影响,那些边缘上的点,虽然不是斑点,但是它的DoG响应也很强。所以我们要把这部分点删除。我们利用横跨边缘的地方,在沿边缘方向与垂直边缘方向表现出极大与极小的主曲率这一特性。所以通过计算特征点处主曲率的比值即可以区分其是否在边缘上。这一点在理解上可以参见Harris角点的求法。

    最后一步,即为特征点的特征描述。特征点的方向的求法是需要对特征点邻域内的点的梯度方向进行直方图统计,选取直方图中比重最大的方向为特征点的主方向,还可以选择一个辅方向。在计算特征矢量时,需要对局部图像进行沿主方向旋转,然后再进邻域内的梯度直方图统计(4x4x8)。

    2.3 SURF

    详细的算法描述参考:1. SURF算法与源码分析、上  2. SURF算法与源码分析、下

    2006年,Bay和Ess等人基于SIFT算法的思路,提出了加速鲁棒特征(SURF),该算法主要针对于SIFT算法速度太慢,计算量大的缺点,使用了近似Harr小波方法来提取特征点,这种方法就是基于Hessian行列式(DoH)的斑点特征检测方法。通过在不同的尺度上利用积分图像可以有效地计算出近似Harr小波值,简化了二阶微分模板的构建,搞高了尺度空间的特征检测的效率。

    SURF算法在积分图像上使用了盒子滤波器对二阶微分模板进行了简化,从而构建了Hessian矩阵元素值,进而缩短了特征提取的时间,提高了效率。其中SURF算法在每个尺度上对每个像素点进行检测,其近似构建的Hessian矩阵及其行列式的值分另为:

    Happrox=[Dxx(σ)Dxy(σ)Dxy(σ)Dyy(σ)]

    c(x,y,σ)=DxxDyy−(0.9Dxy)2

    其中Dxx,DxyDyy为利用盒子滤波器获得的近似卷积值。如果c(x,y,σ)大于设置的门限值,则判定该像素点为关键字。然后与SIFT算法近似,在以关键点为中心的3×3×3像素邻域内进行非极大值抑制,最后通过对斑点特征进行插值运算,完成了SURF特征点的精确定位。

    而SURF特征点的描述,则也是充分利用了积分图,用两个方向上的Harr小波模板来计算梯度,然后用一个扇形对邻域内点的梯度方向进行统计,求得特征点的主方向。

    3. 角点检测的原理与举例

    角点检测的方法也是极多的,其中具有代表性的算法是Harris算法与FAST算法。

    这两个算法我都有专门写过博文来描述其算法原理。Harris角点FAST特征点检测

    3.1 Harris角点特征提取

    Harris角点检测是一种基于图像灰度的一阶导数矩阵检测方法。检测器的主要思想是局部自相似性/自相关性,即在某个局部窗口内图像块与在各个方向微小移动后的窗口内图像块的相似性。

    在像素点的邻域内,导数矩阵描述了数据信号的变化情况。假设在像素点邻域内任意方向上移动块区域,若强度发生了剧烈变化,则变化处的像素点为角点。定义2×2的Harris矩阵为:

    A(x)=∑x,yω(x,y)[Cx2(x)CxCy(x)CxCy(x)Cy2(x)]=[abbc]

    其中,CxCy分别为点x=(x,y)xy方向上的强度信息的一阶导数,ω(x,y)为对应位置的权重。通过计算Harris矩阵的角点响应值D来判断是否为角点。其计算公式为:

    D=detA−m(traceA)2=(ac−b)2−m(a+c)2

    其中,det和trace为行列式和迹的操作符,m是取值为0.04~0.06的常数。当角点响应值大于设置的门限,且为该点邻域内的局部最大值时,则把该点当作角点。

    3.2 FAST角点特征提取

    基于加速分割测试的FAST算法可以快速地提取出角点特征。该算法判断一个候选点p是否为角点,依据的是在一个像素点p为圆心,半径为3个像素的离散化Bresenllam圆周上,在给定阈值t的条件下,如果在圆周上有n个连续的像素灰度值大于I(p)+t或小于I(p)−t

    针对于上面的定义,我们可以用快速的方法来完成检测,而不用把圆周上的所有点都比较一遍。首先比较上下左右四个点的像素值关系,至少要有3个点的像素灰度值大于I(p)+t或小于I(p)−t,则p为候选点,然后再进一步进行完整的判断。

    为了加快算法的检测速度,可以使用机器学习ID3贪心算法来构建决策树。这里需要说明的是,在2010年Elmar和Gregory等人提出了自适应通用加速分割检测(AGAST)算法,通过把FAST算法中ID3决策树改造为二叉树,并能够根据当前处理的图像信息动态且高效地分配决策树,提高了算法的运算速度。

    4. 二进制字符串特征描述子

    可以注意到在两种角点检测算法里,我们并没有像SIFT或SURF那样提到特征点的描述问题。事实上,特征点一旦检测出来,无论是斑点还是角点描述方法都是一样的,可以选用你认为最有效的特征描述子。

    特征描述是实现图像匹配与图像搜索必不可少的步骤。到目前为止,人们研究了各种各样的特征描述子,比较有代表性的就是浮点型特征描述子和二进帽字符串特征描述子。

    像SIFT与SURF算法里的,用梯度统计直方图来描述的描述子都属于浮点型特征描述子。但它们计算起来,算法复杂,效率较低,所以后来就出现了许多新型的特征描述算法,如BRIEF。后来很多二进制串描述子ORB,BRISK,FREAK等都是在它上面的基础上的改进。

    4.1 BRIEF算法

    BRJEF算法的主要思想是:在特征点周围邻域内选取若干个像素点对,通过对这些点对的灰度值比较,将比较的结果组合成一个二进制串字符串用来描述特征点。最后,使用汉明距离来计算在特征描述子是否匹配。

    BRIEF算法的详细描述可以参考:BRIEF特征描述子

    4.2 BRISK算法

    BRISK算法在特征点检测部分没有选用FAST特征点检测,而是选用了稳定性更强的AGAST算法。在特征描述子的构建中,BRISK算法通过利用简单的像素灰度值比较,进而得到一个级联的二进制比特串来描述每个特征点,这一点上原理与BRIEF是一致的。BRISK算法里采用了邻域采样模式,即以特征点为圆心,构建多个不同半径的离散化Bresenham同心圆,然后再每一个同心圆上获得具有相同间距的N个采样点。

    image

    由于这种邻域采样模式在采样时会产生图像灰度混叠的影响,所以BRISK算法首先对图像进行了高斯平滑图像。并且使用的高斯函数标准差σi与各自同心圆上点间距成正比。

    假设在(N2)个采样点中任意选取一对采样点(pi,pj),其平滑后的灰度值分别为I(pi,σi)I(pj,σj),则两点间的局部梯度为:

    g(pi,pj)=(pj−pi)I(pj,σj)−I(pi,σi)∥pj−pi∥2

    假设把所有采样点对构成的集合记为A,则

    A={(pi,pj)∈R2×R2|i<N且j<i且i,j∈N}

    那么短距离采样点对构成的集合S以及长距离采样点构成的集合L分别为:

    S={(pi,pj)∈A|∥pj−pi∥<δmax}⊆A

    L={(pi,pj)∈A|∥pj−pi∥>δmin}⊆A

    其中,通常设置距离阈值为δmax=9.75δ,δmin=13.67δ,其中δ为特征点的尺度。

    由于长距离采样点对含有更多的特征点角度信息,且局部梯度相互抵消,所以可以在集合L中计算出特征点的特征模式方向为:

    g=(gxgy)=1L∑(pi,pj)∈Lg(pi,pj)

    然后将采样模式围绕特征点旋转角度α=arctan2(gy,gx),进而特征描述子具有了旋转不变性。

    最后,在旋转后的短距离采样点集合S内,对所有的特征点对(Piα,pjα)行像素灰度值比较,最终形成512比特的二进制字符串描述子。

    4.3 ORB算法

    ORB算法使用FAST进行特征点检测,然后用BREIF进行特征点的特征描述,但是我们知道BRIEF并没有特征点方向的概念,所以ORB在BRIEF基础上引入了方向的计算方法,并在点对的挑选上使用贪婪搜索算法,挑出了一些区分性强的点对用来描述二进制串。ORB算法的详细描述可以参考:ORB特征点检测

    4.4 FREAK算法

    Fast Retina KeyPoint,即快速视网膜关键点。

    根据视网膜原理进行点对采样,中间密集一些,离中心越远越稀疏。并且由粗到精构建描述子,穷举贪婪搜索找相关性小的。42个感受野,一千对点的组合,找前512个即可。这512个分成4组,前128对相关性更小,可以代表粗的信息,后面越来越精。匹配的时候可以先看前16bytes,即代表精信息的部分,如果距离小于某个阈值,再继续,否则就不用往下看了。

    5. 应用之图像匹配

    图像匹配的研究目标是精确判断两幅图像之间的相似性。图像之间的相似性的定义又随着不同的应用需求而改变。例如,在物体检索系统中(找出含有亚伯拉罕·林肯的脸的图像),我们认为同一物体的不同图像是相近的。而在物体类别检索系统中(找出含有人脸的图像),我们则认为相同类的物体之间是相近的。

    这里局部特征点的应用主要表现在第一种相似性上,也就是说我们需要设计某种图像匹配算法来判断两幅图像是否是对同一物体或场景所成的图像。理想的图像匹配算法应该认为两幅同一物体的图像之间相似度很高,而两幅不同物体的图像之间相似度很低,如下图所示。

    image

    由于成像时光照,环境,角度的不一致,我们获取的同一物体的图像是存在差异的,如同上图中的两辆小车的图像一样,角度不同,成像就不同。我们直接利用图像进行比较是无法进行判断小车是否为同一类的。必须进行特征点的提取,再对特征点进行匹配。

    图像会存在哪些变换呢?一般来说包括了光照变化与几何变化,光照变化表现是图像上是全局或局部颜色的变化,而几何变化种类就比较多了,可以是平移、旋转、尺度、仿射、投影变换等等。所以我们在研究局部特征点时才要求特征点对这些变化具有稳定性,同时要有很强的独特性,可以让图像与其他类的图像区分性强,即类内距离小而类间距离大。

    6. 参考文献

    [1] 基于角点的图像特征提取与匹配算法研究,薛金龙,2014.

    [2] 基于局部特征的图像匹配与识别,宫明明,2014.

    [3] 基于视觉信息的图像特征提取算法研究,戴金波,2014.

    [4] 图像局部不变性特征与描述,王永明,王贵锦编著。

    展开全文
  • 通俗解释~ 图像识别究竟是什么?

    千次阅读 2017-06-10 16:28:38
    丰富的数据来源总是少不了对图像的处理,本周来介绍一下图像识别技术,我们还亲手做了几种技术的比较哦~ 曾几何时,图像识别技术似乎还是很陌生的一个词,现在却已经越来越贴近人们的生活了。近些年比较经典的...

    转载自:搜狐-KPMG大数据挖掘

    丰富的数据来源总是少不了对图像的处理,本周来介绍一下图像识别技术,我们还亲手做了几种技术的比较哦~

    曾几何时,图像识别技术似乎还是很陌生的一个词,现在却已经越来越贴近人们的生活了。近些年比较经典的一个应用,就是谷歌和百度推出的识图功能,相信大家都已经有所体验;IT行业同事炒得火热的人脸识别,也是图像识别应用的一个典例;当然,现在的日常生活中也少不了网上购物中的识图,只要把想买的东西拿在某宝APP拍一下,就会立即搜索出此物品的种类和价格。

    不过,这些厉害的功能究竟是怎么实现的呢?未来图像识别还会和我们生活有哪些更深的接触,又跟大数据有什么关系?今天让我为你慢慢探索。

    数字图像(又称数码图像或数位图像),是二维图像用有限数字数值像素的表示。完成数字图像的识别需要大致经过信息获取图像采集 -> 图像预处理(如二值化、反色等处理方法)得到特征数据 -> 训练过程(分类器涉及和分类决策) -> 识别这几个步骤。由于数字图像和文字、数字均以像素为基本元素,加之数字图像识别和数字识别的基本过程类似,我将以图像识别技术中比较基础的数字识别简单讲述识别的过程。

    先介绍一下几个后面会用到的基本概念:

    1. 模式识别:当前,模式识别的应用范围十分广泛,它的观察对象囊括了人类感官直接或间接接受的外界信息。而运用模式识别的目的,则是利用计算机模仿人的识别能力来辨别观察对象。模式识别方法大致可分为两种,即结构方法和决策理论方法,其中决策理论方法又称为统计方法。字符模式识别的方法可以大致分为统计模式识别、结构模式识别和人工神经网络等。上述的图像识别步骤就是模式识别的基本步骤了。

    常用的模式识别方法之一是模板匹配,顾名思义,就是在输入图像上不断切割出临时图像、并将之与模板图像匹配,如果相似度足够高,就认为我们寻找到了应有的目标。最常见的匹配方法包括平方差匹配法、相关匹配法、相关系数匹配法等。以下我们都将以模板匹配为例,说明模型识别的概念。

    2. 支持向量机(SVM):支持向量机是一种可训练的、基于结构风险最小化原则的通用机器学习方法,简单来说就是一种分类器。SVM方法的原理简单说即是线性化和升维的过程。SVM是从线性可分情况下的最优分类超平面发展而来的。如下图所示,空心点和实心点分别代表两类样本,H为H维分类超平面,HI和H2分别为过各类点且离分类超平面举例最近且平行于H的超平面。最优分类超平面理论要求分类超平面在可将两类正确分开的基础上,使分类间隔最大化。

    3. OpenCV:是一个基于BSD许可证授权发型的跨平台计算机视觉库。与其他函数库相比,致力于真实世界的实时应用。同时通过优化的C代码的编写,为其执行速度带来了客观的提升。

    4. LIBSVM:一个简单、易于使用的SVM模式识别与回归软件包。软件包内包含python,svmtoy等文件夹,以及SVM-predict,svm-scale,svm-train等。

    我首先运用OpenCV函数库读取原始图像库中的图像数据,存储特征值到外部.txt文档。随后对数据进行预处理,并形成待训练数据;随后对及格过预处理的数据进行参数寻优、模型训练。在对待测试图像进行数据特征的提取后,将特征数据放进模型中进行预测并得到识别率预测值。最后对识别率情况进行分析。

    下面是我的实战步骤:

    1. 图像采集

    我手绘了0-9共十个数字,每个数字10个样本,共100个样本。样本均为5*5模板。通过代码实现获得了手写数字图像的特征信息。

    2. 预处理

    在得到特征数据后,需对特征数据进行一定的预处理以保证后续工作的正常进行。此次我们选用归一化处理,用svm-scale实现。进行归一化,目的是保证提取的数据处在一定范围内,避免过大或过小的情况发生,进而为模型的训练提供了保障。

    此外,过程中还运用了参数寻优,目的是为模型的训练提供好的参数,以得到准确率更高的模型。下图为对数据进行参数寻优操作的截图。

    上图中最后一行就是最佳参数。通常,我们会使用几个正确的模型,提取出特征值,作为参数寻优的结果;之后进行预测工作,都要以寻找出来的最优值作为标杆,进行预测,满足这些特征值的就会被识别成功。

    3. 模型训练

    模型训练即是根据之前提取到的样本特征数据,放到LIBSVM分类器中进行分类,分类的依据是每组特征值的标签。SVM机器学习方法是基于统计学理论的,因此大量的数据会得到更为精准的模型文件。

    实战结果:

    我进行了几组简单的试验。

    1. 使用相同的训练集和测试样本,分别基于模板匹配法和基于SVM的识别方法,以观察数据维度对于识别准确率的影响。

    运用方法

    16维

    25维

    模板匹配法

    70%

    81%

    SVM方法

    84%

    88%

    原因分析:由于模板匹配方法使用网络特征的提取方法,对每个区域内黑色像素个数进行统计,计算得到每个区域占得总体区域的百分比;而SVM是针对每个像素点的坐标进行统计分析的,加之高纬度可以使得坐标定位更加精准,因此SVM方法优势较大。

    结论:在相同测试样本、相同纬度的前提下,运用SVM方法训练得到的模型分别在16维和25维下预测,运用SVM方法得到的准确率高于模板匹配法。

    2. 运用SVM方法,使用相同训练样本和测试样本,在不同维度下对比准确率。训练样本500个,测试样本100个。

    运用方法及准确率

    16维

    25维

    64维

    80维

    SVM

    86%

    88%

    99.5%

    99.5%

    结论:对于相同样本,使用SVM方法对模型进行预测,维度的高低对于准确率起到一定积极的影响,但准确率不会随维度的升高而无限升高。

    3.对于相同测试样本,在相同维度下,测试训练样本数对于准确率的影响。

    样本维度

    训练集样本数

    准确率

    16维

    100

    84%

    300

    96%

    700

    98%

    原因分析:由于SVM方法的图像识别是基于统计学理论进行研究的,因此大量的训练样本有助于得到更加准确的训练模型,对模型训练的预测准确度起到一定积极的影响。

    图像识别和大数据有着密不可分的关系。有前辈指出,数据挖掘=大数据+机器学习;也有专家认为,模式识别=数据+机器学习。大数据是一个时代性的概念,也是社会发展的必然产物。我们通过大数据技术实现我们最终的目的——即数据挖掘。无疑,“图像”也是一种数据,而图像识别是将非结构化数据结构化的必要过程。

    图像识别技术日益火热,每年都在以火箭般的速度更新着新的技术和成果,当然并不局限于图像处理和购物方面。如今,图像识别技术更是从搜图识物发展到了视频领域,不断给我们带来惊喜。比如新兴的互动视频技术video++,已经可以实现在视频中捕捉待识别的人脸和同款服饰。科技是第一生产力,在21世纪,最火的技术之一当属人工智能,然而图像识别技术又是人工智能的核心,它是未来智能AI的“眼睛”,它的发展必然会带动人工智能的迅速发展。未来已至,你准备好了吗?

    参考文献:曾志强,支持向量分类的训练与简化算法研究[D]浙江:浙江大学2007.6,29.

    展开全文
  • 图像识别技术

    千次阅读 2018-11-10 10:26:01
    图像识别技术
  • 张长水:机器学习与图像识别

    万次阅读 2017-06-10 10:13:40
    本讲座选自清华大学自动化系张长水老师于2015年11月26日在 RONG v2.0---图形图像处理与大数据技术论坛上所做的题为《机器学习与图像识别》的演讲。  张长水:我的题目叫《机器学习和图像识别》。我主要在做...
  • 什么是图像识别

    2020-03-23 23:16:10
    本文将会介绍图像识别中涉及的一些概念和专业名词 图像识别的三大任务 ●目标识别:对图片进行分类,确定图片中的目标是什么。 如下图要分类图中的水杯和水瓶,方体。 ●目标检测:定位目标,确定目标在图片中的...
  • 图像识别一些小项目介绍

    千次阅读 2018-06-04 14:10:02
    1:车牌号码识别系统识别步骤:车牌定位,字符分割,字符识别车牌定位方法,基于直线边缘检测的方法,基于阈值迭代的方法,基于彩色信息的方法,基于灰度检测的方法,基于神经网络的方法。字符识别:特征提取与模板...
  • 图像识别过程(概念)

    万次阅读 多人点赞 2018-05-21 15:31:54
    图像识别过程分为图像处理和图像识别两个部分。 图像处理(imageProcessing)利用计算机对图像进行分析,以达到所需的结果。 图像处理可分为模拟图像处理和数字图像处理,而图像处理一般指数字图像处理。 这种处理...
  • 图像识别的原理、过程、应用前景,精华篇!

    万次阅读 多人点赞 2018-09-28 07:53:49
    图像识别的原理、过程、应用前景,精华篇!   https://mp.weixin.qq.com/s/THE5B77C_AJa5y6sfOXpaA   图像识别技术是信息时代的一门重要的技术,其产生目的是为了让计算机代替人类去处理大量的物理信息。...
  • 图像识别技术原理和神经网络的图像识别技术

    千次阅读 多人点赞 2019-03-08 08:56:21
    图像识别技术是信息时代的一门...简单分析了图像识别技术的引入、其技术原理以及模式识别等,之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用...
  • 教会计算机识别喵星人的Google Brain现在还识别不出来汪星人,不过,做图像识别的Face++已经可以明确的告诉机器,你不是一条狗了。 Face++是一家专注于图像识别和深度学习的技术公司,成立于 2012 年,当时获得了...
  • 浅谈图像识别技术原理与价值

    千次阅读 多人点赞 2020-04-01 09:33:08
    图像识别技术是人工智能的重要领域。它是指图像的对象识别技术,用于识别不同模式的目标和对象。本文从图像识别的技术原理、识别过程以及应用范围方面讲述对图片识别技术的整体认知。 目录 图像识别技术原理 ...
  • 图像识别技术可能是以图像的主要特征为基础的,每个图像都有它的特征。在人类图像识别系统中,对复杂图像的识别往往要通过不同层次的信息加工才能实现。图像识别技术是立体视觉、运动分析、数据融合等实用技术的基础...
  • 图像识别中的深度学习

    万次阅读 2016-05-11 15:46:33
    图像识别中的深度学习 来源:《中国计算机学会通讯》第8期《专题》 作者:王晓刚 深度学习发展历史 深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、...
  • OpenCV实现图像识别

    万次阅读 多人点赞 2017-04-15 16:57:42
    最近参加了一个机器人比赛,本人负责图像识别和串口通信方面的任务工作。串口通信的教程可以见我的博客;下面主要总结一下我对图像识别的整个学习过程。开发环境 Mac OS Xcode C++ OpenCV 2.4.12 思考过程 实现图像...
  • 人工智能-图像识别

    千次阅读 2019-04-18 15:41:10
    图像识别技术是信息时代的一门重要的...简单分析了图像识别技术的引入、其技术原理以及模式识别等,之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技...
  • 实现android图像识别的几种方法

    万次阅读 热门讨论 2013-11-23 16:07:14
    实现android图像识别的几种方法 点击这里下载第一种代码 最近完成了毕业设计,论文名为基于图像识别的移动人口管理系统。编写过程中学到了几种图像识别的技术,先写下来与大家分享。 第一种,直接使用...
1 2 3 4 5 ... 20
收藏数 273,035
精华内容 109,214
关键字:

图像识别