基于人工智能的图像识别技术探讨

宋炯+柏松平+王燕华

摘 要 在人工智能领域之中，众多技术被研发和应用，其中图像识别技术是基于人工智能的代表技术之一。现今我国的科技技术、电子信息技术都在不断发展，人工智能中的图像识别技术也在不断更新，越来越多的领域关注并应用该技术，包括医疗诊断、信息识别、卫星云图识别等等，基于人工智能的图像识别技术能够为各个领域的发展提供便利。本文对此展开探讨。

关键词 人工智能；图像识别技术；应用

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2018）202-0106-02

现今计算机技术和信息技术日益发展，在此背景下图像识别技术也越来越多的被人们关注。从现实发展角度来说，图像识别技术的产生和更新是一种必然的趋势，且在未来的发展中会有更广阔的应用空间，无论是医疗、安检、信息搜集、产品安全等等，都会更加依赖于图像识别技术[ 1 ]。

图像识别技术通常是指利用计算机对系统前端捕获的图片根据既定的目标对其进行处理，因此，人们在日常生活和工作中也会经常接触到该技术，例如条码识别、指纹识别等等，该技术给人们的生产安全提供了重要的保障，因此展开图像识别技术的研究和探讨是非常有意义的。

1 图像识别技术的基本原理

人眼产生的视觉效果是一种非常神奇的现象，由此人眼对图像的识别能力是很强的。当某个图像距离、位置、角度发生改变时，人的感官也会随之发生变化，图像在人眼视网膜上的成像也会相应发生大小和形状的改变，但这种改变不足以影响人们对图像的判断，且人可以通过各种感官判断某种图像，例如当在手背上写字时，也可以通过感官判断这个字体。图像识别技术是人工智能领域中的重要技术，因此其识别原理与人眼识别的原理相似，都是以图像的突出性特征为基础进行的[ 2 ]。

图像识别的重点是寻找图像的特征，例如英文大写字母中，A有个突出的尖角，O有个圈、而Y则基本可以视为线条和锐角钝角所组成，对于特殊信息，也就是突出特征的捕捉和识别，才能通过图像中的有效信息对这个图像进行识别，并且判断这个图像的内容和性质，并且分析它所代表的含义。

为了模仿人眼识别图像的原理，达到人眼识别的效果，科学家编制模拟人类图像识别活动的计算机程序，从而获取了众多关于图像识别的识别模型，当计算机捕捉到某个图像时，若图像特征与记忆中人脑的感官刺激相匹配，则认为这个图像已经被识别。

2 基于人工智能的图像识别过程

图像识别技术是基于人工智能诞生的，因此，计算机对图像识别的过程也与人脑识别图像的过程基本类似，只不过是以技术和科技展现出来[ 3 ]。基于人工智能的图像识别过程如下：

1）信息数据的获取，信息数据的获取是图形识别的基础，利用各类传感器将声音和光等特殊信号转化为电信号，从而获取所需的数据和信息，在图像识别技术中，所需要获取的信息是图像的特征和特殊数据，这些信息和数据要求能够区分图形之间的特征，将其存储于计算机的数据库内，则可以用于之后步骤的展开。

2）信息数据预处理，此过程对图像进行去噪、变换以及平滑等处理操作，将图像的特征和重要信息突显。

3）特征抽取与选择，图像识别技术中的核心内容就是对图像进行特征的抽取与选择，尤其是识别模式中，对于特征的要求更为严格，这决定着图像最终能够否被成功识别，也就是将不同图形的特殊特征提取，选择能够区分图形的特征，并且将所选择的特征存储，让计算机记忆这种特征。

4）分类器设计与分类决策，此步骤是图像识别的最后一步，分类器设计是指以有效的程序制定出一个识别规则，这种识别规则能够按照某种规律对图像进行识别，而不是盲目混乱的进行识别，借此识别规律能够将相似的特征种类突显，致使图像识别过程的辨识率更高，之后通过对特殊特征的识别，完成图像的评价和确认。

3 常见的图像识别技术形式

3.1 模式识别

模式识别（PatternRecognition）是图像识别技术中的一种有效模型，该模式从大量信息和数据出发进行图像识别。该识别模型是图像识别技术专家在多年经验的积累基础上和已有对图像识别的认知基础上，通过计算机进行计算，并且以数学原理进行推理，在图像的形状、模式、曲线、数字、字符格式等各个特征方面自动完成识别，并且在识别的过程中对这些特征进行评價[ 4 ]。

识别模式的进行分为两个阶段，即学习阶段和实现阶段，学习阶段实质可以将其理解为一个存储的过程，也就是对图像的特殊信息、特征、样本提前采集和存储，通过计算机的存储记忆能力将这些熟悉聚合信息按照一定的识别规律进行分类和识别，并且形成相应图像的识别程序。

后一个阶段则是实现阶段，实现阶段强调图像必须与脑中的模板完全符合，如此才能完成识别程序，从现实角度来说，计算机的识别与人脑的识别还是有巨大的差异，但在计算机的识别过程中，能够根据之前记忆阶段的特征、数据以及信息，将最新捕捉的图像信息进行匹配，若按照既定的规律能够匹配完成，这说明这个图像已经被识别。但这种识别是有限的，对于某一类特别相似的特征，可能会出现识别错误的现象。

3.2 神经网络形式

神经网络形式的图像识别技术是当前应用较多且全面更新的一种技术，该技术基于传统的图像识别方式，与现代神经网络算法完美融合，从而形成了这种全新的识别形式。因为图像识别是人工智能领域的技术，因此，这里的神经网络是指人工神经网络，也就是说这种技术是模拟了人类及动物的神经网络分布特征，相较于传统的图像识别技术，融入神经网络算法的图像识别程序更为复杂，成本更高，但发挥的效果也是显而易见的。

被提取和捕捉的图像特征能够在神经网络程序中加以映射，更为精确、全面的完成图像识别，并且对其进行分类处理。在交通管理系统中，智能汽车监控拍摄识别，就是应用这一技术进行的，能够在拍摄的瞬间迅速识别和分辨车牌信息，从而协助交通管理的进行。

3.3 非线性降维形式

非线性识别技术是一种高维形式的识别技术，该技术的优势在于对于分辨率较低的图形也可进行有效的识别，因为这种技术产生的数据具有多维性特征，且经过了非线性处理。这种技术在最初构想时就遇到了诸多的困难，非线性降维的图像识别需要计算机在短时间内进行大量的计算。最初将降维划分成非线性降维与线性降维两类，诸但非线性降维更为简单，其效果也较为突出。

例如人脸识别就可利用非线性降维实现，因为高维度空间内的人脸图像分布不均，突出的特征信息也无法有效提取，而非线性降维方式则有效提升了人脸的辨识度。

4 结论

综上所述，图像识别技术是现今科技发展中的新兴技术种类，已经被越来越多的人关注，并且广泛应用于各个领域。在未来的发展中，图像识别技术将被进一步普及，而随着用户的增加技术会进一步更新，以满足人们生产生活的需求。图像识别技术目前已经成为能够服务社会、促进经济发展、保障财产安全的重要技术，在未来会有更为广阔的发展空间，被人们愈发深刻的认识与掌握。

参考文献

[1]李萍，徐安林.基于BP神经网络的智能制造系统图像识别技术[J].现代电子技术，2016，39（18）：107-109.

[2]蒋树强，闵巍庆，王树徽.面向智能交互的图像识别技术综述与展望[J].计算机研究与发展，2016，53（1）：113-122.

[3]葛玮，吴佳.关于计算机智能图像识别的算法及技术分析[J].无线互联科技，2014（10）：82.

[4]陈波光，刘姝姝，蔡扬亚.计算机的智能化图像识别技术的理论性突破[J].电子制作，2013（15）：69.

[5]张家怡.图像识别的技术现状和发展趋势[J].电脑知识与技术，2010，6（21）：6045-6046.