几种目标识别算法综述

金立 王文 邓磊

摘要：随着科学技术的进步，作为新一轮产业变革的核心驱动力，计算机视觉技术能在催生新技术、新产品的同时，对传统行业也赋予了较强的发展动力，引发了经济结构的重大变革。本文将对基于模板的目标识别、基于特征的目标识别、基于分类器的目标识别、基于运动的目标识别这几种识别模型进行详细介绍。

关键词：人工智能;目标识别;分类器

中图分类号：F49   文献标识码：A   文章编号：1672-9129（2018）15-0154-01

Abstract： With the advancement of science and technology， as the core driving force of a new round of industrial transformation， computer vision technology can give birth to new technologies and new products， and also give strong development momentum to traditional industries， triggering economic structure. A major change. This paper will introduce the recognition models based on template-based target recognition， feature-based target recognition， classifier-based target recognition， and motion-based target recognition.

Keywords： artificial intelligence; target recognition; classifier

1 前言

机器视觉技术就是使用计算机技术来完成人的视觉作用。使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类的视觉系统。自动驾驶、智能导航机器人、产品质量监测等领域均需要通过计算机视觉技术方能实现。近几年来随着深度学习的发展，图像分割等算法的优化，计算机视觉技术更是得到了飞速的发展。计算机视觉技术实现流程大致可分为计算机图像获取、图像处理、图像处理、分类器处理这几步。

2 目标识别发展现状

目前，目标跟踪的主要难点有复杂背景下的目标提取、目标与目标以及目标与背景之间的相互遮挡、阴影的处理、多摄像机的数据融合、目标跟踪的实时性等。目前，世界各国都非常重视计算机视觉的发展。从数量、规模等角度来看，机器人、目标识别、自然语言处理是其中最为热门的三个方向。

3 基于模板的目标识别

目标模板匹配有两种方法：基于固定模板的匹配和基于变形模板的匹配。

在物体形状相对于视觉传感器视角不变的情况下，基于固定模板匹配的方法是非常有效的[1]。基于固定模板匹配的方法是计算出固定的目标模板和候选图像区域之间的差异性，对该差异性结果阈值化之后判断是否匹配。当需要识别的目标模式过于复杂而不能用单一模板建模时，可使用几个相关的目标局部模板来识别目标。

变形模板（Deformable Template）匹配的目标识别方法适用于会发生变形的视觉非刚性问题，由于在大多数视频中要识别的目标是可变形的视觉非刚性问题，因此变形模板匹配的目标识别方法广泛应用于各种识别跟踪任务中。变形模板是利用先验概率分布知识建立起来的参数化集合模型，模型中的参数按照一定的优化准则迭代运算使模板最大限度地与目标图像相匹配，最终达到精确识别目标的目的。其处理流程为：

3.1在提取特征轮廓时，图元模型在图像上一定范围内移动，并动态地调整模型的参数;

3.2当图元模型的位置与参数达到最佳拟合时，能量函数应达到极小，此时就认为识别到了目标。

4 基于形状特征的目标识别

最初的目标识别是提取一个或多个特征用来对感兴趣的目标进行建模，然后在目标模型的基础上进行模板匹配，这些特征可以是目标的形状、大小、纹理和颜色等。

形状模型利用形状特征对目标进行描述和建模，其基本思想是：

4.1使用手工标定物体的轮廓边界点，构成训练集;

4.2对这些样本的形狀进行配准，使用主成分分析的方法对配准后的形状向量建立统计形状模型;

4.3建立局部的灰度模型，得到初始形状，根据已经训练完成的模型对输入的图像加以匹配和搜索，对参数不断进行最优化调整，迭代搜索出与物体最佳匹配的目标轮廓，从而识别出目标。

5 基于分类器的目标识别

基于分类器的目标识别算法，也称作基于统计理论的方法，它把目标识别问题看做是图像中背景和带识别目标的分类问题。目前最常用的基于分类器的目标识别算法有ANN（人工神经网络）算法、AdaBoost算法、SVM（支持向量机）学习算法等。这些方法处理流程如下：

5.1获取大量用于训练分类器的正样本（待检测的目标）和负样本（图像背景），分别计算其特征;

5.2利用各种分类算法（ANN、AdaBoost、SVM）对正、负样本的特征进行训练得到分类器;

5.3根据训练得到的分类器来判断图像中的检测窗口是否包含待检测的目标。

6 基于运动的目标识别

基于运动的目标识别算法是指从图像序列中将运动的目标区域识别出来。通常情况下，目标分类、跟踪和行为理解等后处理过程仅仅考虑图像中对应的运动目标像素区域，因此运动目标的正确识别对后期处理非常重要。由于场景的动态变化，如天气、光照、阴影及杂乱背景干扰等，使得基于运动的目标识别的精度和可靠性受场景影响大。目前常用的基于运动的目标识别方法有帧差法、光流法和背景差分法[2]。

结语：目前，计算机视觉技术发展迅速，已具备初步的产业规模。在未来计算机视觉技术也将应用于社会生产的各个地方。计算机视觉技术作为一项能引领未来的战略技术，世界各国都纷纷围绕人工智能出台规划和政策，加快促进人工智能的技术和产业发展。所以目标识别技术的研究是具有重要的理论意义与实际应用价值。

参考文献：

[1]PAN J， HU B， ZHANG J Q. Robust and Accurate Object Tracking Under Various Types of Occlusions [J]. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（2）： 223-36.

[2]周世威， 寇力强， 谭相录. 基于OpenCV运动目标的检测研究 [J]. 电脑编程技巧与维护， 2011， No.230（08）： 88-9+91.