融合项目属性和云填充的计算机智能图像识别算法

余 云，王本胜，姚丽莎

(1.安徽新华学院信息工程学院，安徽合肥230088；2.安徽新华电脑学院软件开发科，安徽合肥230031)

随着网络信息技术的飞速发展，计算机图形学相关理论也在多个领域（包括游戏设计、电影制作等等）得到了运用，计算机智能图像识别技术已成为一种十分重要的技术手段[1]。计算机智能图像识别技术可以运用在视频监控系统[2]等场景。计算机智能图像具有较高的分辨率，为了确保信息处理的效率，需要对图像中的冗余信息进行剔除[3]。就目前来讲，图像处理的方式大部分针对的是单一、静态的图像，而对于动态图像的处理，相关的算法并不多见[4]。基于云模型的相似度计算法，利用云模型在图像表示以及定性、定量知识转换时的桥梁作用，提出了一种在知识层面比较图像相似度的方法[5-6]；基于项目属性的计算机图像识别技术，通过估计图像评分的办法补充图像评分矩阵，减小数据稀疏性对计算结果的负而影响。然而，这些算法对于时间一致性问题并没有充分考虑，故难以将其在动态网络中使用[7-8]。

本文提出一种基于项目属性和云模型数据填充的计算机智能图像识别方法，利用项目本身属性计算智能图像相似性，利用云模型数据填充技术对模糊不清的图像进行填充，在清晰图像上计算项目评分相似性，通过云填充梯度差值，可充分分析图像识别程度。在分析收缩代价时，也融入了计算机智能图像识别的有关信息。利用该算法，能够保证对形变区细节特征的准确识别。

1 云模型数据填充法

云模型是一种对不确定性知识进行定性定量转换的数学模型，能够实现定性概念与其数值表示之间的不确定性转换，目前云模型已成功应用于智能控制、数据挖掘、大系统评估等领域。云的数字特证用期望Ex（expectedvalue)、嫡En（entropy）、超嫡He（hyper entropy）三个数字来整体表征一个概念。将云的特征向量应用于数据填充算法，首先要根据每个用户的评分项来计算用户的评分特征向量，这里采用逆云计算，把用户单个评分项看作是云滴，从而每个用户就可以看作是一个云的特征向量，即用户评分的特征向量，利用评分特征向量采用云相似度量方法计算用户间的相似性，然后再通过选取最近的个邻近用户通过加权来计算目标用户的缺少评分项。

2 项目属性和云填充计算机智能图像生成过程

2.1项目属性分析

通过项目属性分析能够对动态图像中相邻帧间三角形面片具有的识别水平进行分析。本文将相邻三角形的变化情况定义为项目属性，通过这种方式来说明表面识别程度。所谓项目属性是指利用非平移仿射来获得三角形方向矩阵。一般来讲，可将帧计算机智能动态图像表示为 ， ，第帧图像表示为 ， 代表每个 上的面片。在每个 上含有 ,,三个顶点，第四个点 位于其垂直方向上：

这样2个三角平面 与 之间的非平移转换就可以表示为，其中：

首先需要计算出各帧图像相邻面fi、fj的项目属性，然后将其按照大小进行排序，其最大值用Dij表示。利用Dij可有效分析相邻面的识别程度，因而，可利用（4）式度量相邻面片识别度，即可将Dij表示为：

其中，Frames代表的是图像帧数。

该算法可计算出与之相邻的面片 Dij的累加均值，可以合理描述单独面片的识别程度，就面片fi来说，可用（5）式表示其识别程度：

将fi的相邻面片集N（fi）表示为，如果某面相邻的区域在图像中表现出的动作缺乏一致性，表明此时该平面具有的Deformation值较大，相反，如果相邻区域具有一致的动作，那么对应的Deformation值较小。

2.2 云填充计算机智能图像识别

云填充下的计算机智能图像识别能使识别的图像具有最小的几何误差，能保证计算机智能图像在时间上达到最大程度的一致化。本文结合二次误差测度算法（Quadric error metrics，QEM），通过边收缩方法实现了对计算机智能图像的有效识别。在累加收缩代价中，融入了计算机智能图像识别的有关信息，以Mf表示某帧图像，二次矩阵 表示vf点所有邻面的外积和Deformation乘积的累加值，即

planes(vf)代表点vf的邻接面，假如经过收缩后两个邻顶点可获得新顶点，那么对应的的二次误差具有的累加性将会十分突出，也就是因此，可通过下式表示边( ， )的折叠代价：

在识别图像时，累加所有帧的边折叠代价，能够获得该边对应折叠代价，如式（8）所示：

这种方法可以保证识别的图像每帧具有一致的连续性，有效地解决了视觉跳变的问题，且在化简过程中对识别信息也进行了充分考虑，可保证对非刚性区域或识别度较大区域细节特征的有效识别。

3 实验结果

本文算法采用软件VC2008、OpenGL编程。实验图像如图1（a）所示，图1（b）是经过90%识别对应的图像。由图1（b）可知，识别后的图像能够较好地识别每帧图像的项目属性和基本轮廓。

图1 计算机智能识别前后图像对比

图2 模糊图像智能图像识别误差对比

图3 清晰图像智能图像识别误差对比

采用传统方法识别图像，很多细节特征不能充分反映，缺失问题十分严重，而本文提出的算法确保了对细节特征的充分识别，而且对变体图像的识别程度较大。假如本文算法赋予的边折叠代价权值相对较大，那么很多边折叠操作都有可能面临延迟问题。因此，利用本文算法能有效识别图像细节特征，能够获得更优的图像形状。

图2、图3是采用不同算法对图1进行识别的误差对比，由图可知，本文算法的误差值表现出较为均匀的分布特征，并且各帧也具有较为均匀的误差值。结合实验结果不难发现，本文算法在误差统计以及视觉效果等方面具有突出优势，并且顶点连接关系在相邻帧计算机智能图像之间表现出了一致性的特征，同时图像面片具有十分相似的形状，因而，对应的识别结果在时间上也表现出了较大的一致性。

4 结论

作者提出了一种基于项目属性和云填充的计算机智能图像识别方法，利用本算法可充分分析图像表面识别程度，而且利用二次误差可实现对边折叠代价的充分度量，进而可对图像进行识别处理，而且图像优化操作也可实现，以此确保图像识别时间的一致性。利用该方法，可充分处理识别图像数据，同时还可根据综合分辨率等方面的要求来对图像进行进一步的优化。实例分析证明，本文方法简洁高效，得出的识别结果也是更优的。

[1]Tan,J,Zhang,J,Song,C,et al.A coevolution algorithm in the image recognition system[C].IEEE,2013,22-25.

[2]杨正云,王林.视频监控系统中运动车辆的车标识别技术[J].遵义师范学院学报,2016,18(3):110-114.

[3]Candamo J,Shreve M,Goldgof D B,et al.Understanding transit scenes:a survey on human behavior-recognition algorithms[J].IEEE Transactions on Intelligent Transportation Systems,2010,11(1):206-224.

[4]Hu Z,Tsai Y.Generalized Image Recognition Algorithm for Sign Inventory[J].Journal of Computing in Civil Engineering,2011,25(2):149-158.

[5]Oh S K,Ma C M,Yoo S H.Design of optimized prbfnns-based face recognition algorithm using two-dimensional image and asm algorithm[J].Journal of Materials Science,2011,21(6):749-754.

[6]Tselioudis G,Rossow W,Zhang Y,et al.Global weather states and their properties from passive and active satellite cloud retrievals[J].Journal of Climate,2013,26(19):7734-7746.

[7]Mecikalski J R,Bedka K M,Paech S J,et al.A statistical evaluation of goes cloud-top properties for nowcasting convective initiation[J].Monthly Weather Review,2010,136(12):4899-4914.

[8]印伟,孙倩倩.基于大数据的高校移动图书馆信息服务资源整合研究[J].遵义师范学院学报,2017,19(2):164-166.