图像识别技术的研究现状论文.docx
《图像识别技术的研究现状论文.docx》由会员分享，可在线阅读，更多相关《图像识别技术的研究现状论文.docx（8页珍藏版）》请在冰点文库上搜索。
.
图像识别技术研究现状综述
简介：
图像识别是指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。
图像识别技术是以图像的主要特征为基础的，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。
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。
对于熟悉的图形,由于掌握了它的主要特征，就会把它当作一个单元来识别，而不再注意它的细节了。
这种由孤立的单元材料组成的整体单位叫做组块，每一个组块是同时被感知的。
图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。
随着数字图像技术的发展和实际应用的需要，出现了另一类问题，就是不要求其结果输出是一幅完整的图像，而是将经过图像处理后的图像，再经过分割和描述提取有效的特征，进而加以判决分类，这就是近20年来发展起来的一门新兴技术科学一图像识别。
它以研究某些对象或过程的分类与描述为主要内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。
图像识别的发展大致经历了三个阶段：
文字识别、图像处理和识别及物体识别：
文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，并从印刷文字识别到手写文字识别，应用非常广泛，并且已经研制了许多专用设备。
图像处理和识别的研究，是从1965年开始的。
过去人们主要是对照相技术、光学技术的研究，而现在则是利用计算技术、通过计算机来完成。
计算机图像处理不但可以消除图像的失真、噪声，同时还可以进行图像的增强与复原，然后进行图像的判读、解析与识别，如航空照片的解析、遥感图像的处理与识别等，其用途之广，不胜枚举。
物体识别也就是对三维世界的认识，它是和机器人研究有着密切关系的一个领域，在图像处理上没有特殊的难点，但必须知道距离信息，并且必须将环境模型化。
在自动化技术已从体力劳动向部分智力劳动自动化发展的今天，尽管机器人的研究非常盛行，还只限于视觉能够观察到的场景。
进入80年代，随着计算机和信息科学的发展，计算机视觉、人工智能的研究已成为新的动向
图像识别与图像处理的关系：
在研究图像时，首先要对获得的图像信息进行预处理（前处理）以滤去干扰、噪声，作几何、彩色校正等，以提供一个满足要求的图像。
图像处理包括图像编码，图像增强、图像压缩、图像复原、图像分割等。
对于图像处理来说，输入是图像，输出（即经过处理后的结果）也是图像。
图像处理主要用来解决两个问题：
一是判断图像中有无需要的信息；二是确定这些信息是什么。
图像识别是指对上述处理后的图像进行分类，确定类别名称，它可以在分割的基础上选择需要提取的特征，并对某些参数进行测量，再提取这些特征，然后根据测量结果做出分类。
为了更好地识别图像，还要对整个图像做结构上的分析，对图像进行描述，以便对图像的主要信息做一个好的解释，并通过许多对象相互间的结构关系对图像加深理解，以便更好帮助和识别。
故图像识别是在上述分割后的每个部分中，找出它的形状及纹理特征，以便对图像进行分类，并对整个图像做结构上的分析。
因而对图像识别环节来说，输入是图像（经过上述处理后的图像），输出是类别和图像的结构分析，而结构分析的结果则
是对图像做描述，以获得对图像的重要信息的解释。
下图是图像处理（图1）和图像识别（图
2）的示意图：
图像输入
图像处理
编码、增强，压
图像输出
缩，复原，分割
图1：
图像处理示意图
图像识别
图像输入
特征抽取、分类、
类别+结构分析
分析
图像识别系统：
图2：
图像识别示意图
图像识别，简单地说，就是要把一种研究对象，根据其某些特征进行识别并分类。
可以认为，对数字图像进行区别分类其实质就是对图像进行模式识别。
这种识别早已存在人们的生活实践中。
然而，随着实践活动的扩大、深入和社会化的需要，人们不仅需要识别分
类数很多的事物，而且被识别的对象内容也越来越复杂。
特别是由于科学技术水平的提高，使得各种不同的研究对象“图像化”或“数字化”，可采用某种技术把考察的对象转换成图片、波形图以及若干数据，这些数据就可以代表所研究的对象。
但是对于模式识别来说，无论是数据、信号还是平面图像或立体景物都是除掉它们的物理内容而找出它们的共性，把具有同一共性的归为一类，而具有另一种共性者归为另一类。
图像模式识别的目的就是研制采用某种仪器或设备，自动处理某些信息，代替人完成分类和辨识的任务，并且能够快速而准确地进行图形识别。
一般来说，一个图像识别系统由以下几个部分组成，其框图如图3所示。
原始图像 预处理 特征提取 模式分类 识别结果图3：
图像识别系统框图
第一部分是图像信息的获取。
它相当于对被研究对象的调查和了解，从中得到数据和材料，对图像识别来说就是把图片、底片和文字图形等用光电扫描设备转换为电信号以备后续处理。
第二部分是图像的预处理。
这个处理过程的工作包括采用数字图像处理的各种方法来消除原始图像的噪声和畸变，消减无关特征而加强图像的系统感兴趣的特征，如果图像包含多个目标的，还要对图像进行分割，将其分为多个每个只包含一个目标的区域。
第三部分特征提取。
通常能描述对象的元素很多，为了节约资源，节省计算机存储空间、机时、特征提取费用，在满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用大得特征，使得用较少的特征就能完成分类识别任务。
这项工作的表现为减少特征矢量的维数、符号、串字符数或简化图的结构。
第四部分是判决或分类。
即依据所提取的特征，将前一部分的特征向量空间映射到类型空间，把相应原图归属已知的一类模式，相当于人们从感性认识升到理性认识而做出结论的过程。
第四部分与特征提取的方式密切相关，它的复杂程度也依赖于特征提取的方式，例如，类似度、相关性、最小距离等等。
其中前三部分是属于图像处理范畴，第四部分为模式识别范畴。
我们也把预处理和特征提取部分称为低级处理，而判决和分类部分称为高级处理。
其中，每一阶段都会对识别结果产生严重影响，所以每一阶段都应争取尽可能完美的结果。
图像获取技术的研究：
图像获取系统在整个图像处理系统中具有重要的作用。
它负责将现实中的物体图像通过输入设备采集下来，将图像的模拟信号转换为数字信号，最终输入计算机，为计算机处理程序库提供准备处理的现场采集的实时数据，并在输出设备中显示出来。
图像获取系统直接影响采集到的图像品质和后续的图像处理效果。
目前，有很多传感技术已经运用到该领域中，如光学传感器、固态传感器、超声波传感器。
光学传感器是用的最普遍的传感器，光学传感器采集的图像质量好、成本低，比较耐用；缺点是采集设备体积大，图像的质量容易受到影响。
固态传感器体积小，耗电量低，但容易受到静电的影响，容易破坏，成本比光学传感器高。
超声波传感器利用超声波扫描图像表面并获取反射信号，根据反射信号绘制指纹图像，采集的图像质量较好，但成本很高。
目前，随着数码相机和CCD技术的成熟和价格的下降，已经被广泛应用在图像获取方面。
而基于DSP的嵌入式高速数字图像获取技术，因其体积小、处理速度快、精度高，具有广泛的应用前景。
图像预处理的研究：
为了保证特征提取的准确性，必须对图像进行预处理来去除噪声干扰，做几何、彩色校正等改善图像，这样才能准确的进行后续的特征提取和匹配等操作。
在采集技术相同的条件下，特征提取技术的好坏直接影响识别效果的好坏，而特征提取的好坏又直接受图像预处理好坏的影响，图像预处理可以减少低质量图像对识别效果的影响，所以研究图像的预处理技术是十分重要的。
图像的预处理一般包括：
图像分割、图像增强、图像压缩、图像复原、图像细化、二值化等。
目前的图像处理一般指的是对于数字图像的处理。
（1）图像分割：
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤。
现有的图像分割方法如下：
图像分割
基于阈值的分割
基于边缘的分割
基于区域的分割
直方图法直方图变换法
最大类空间方差法最小误差法
均值化误差法
Canny边缘检测多尺度方法多分辨方法
基于边界曲线拟合方法区域生长
区域分裂分裂—合并
参数可变模型法（如Snake模型）
基于可变模型的分割
基于特定理论的分割
几何可变模型法（如LevelSet模型）数字形态学理论
模糊理论人工神经网络
遗传算法
小波分析和变换
在这几种算法中前四种算法最为基础和成熟，阈值分割与边缘检测方法处理方法简单速度
快，比较适合处理较小图像，而对于较大的图像基于区域的方法较适合。
对于后两种算法都属于前沿方法，还有待于实验检验。
（2）图像增强
图像增强就是通过选择适当的滤波算法对原始图像进行滤波处理，滤掉图像中不必要的高频部分，其主要目的是在尽量保持图像中纹线边缘完好的前提下，去掉图像中的粘连、断点及模糊的部分，以改善图像的质量，便于细化和特征提取。
图像增强的方法主要有纹理滤波、傅里叶分析、小波分析等LinHong等人提出了一种基于Gabor滤波器的指纹增强方法，同时利用了Gabor函数的方向和频率选择特性。
但该方法存在块效应和方向效应，并且对不同频率的图像有不同的增强程度。
李小白等研究了一种改进的Gabor小波的指纹增强方法，通过分析Gabor小波的原理，结合指纹图像的特点对Gabor小波的参数进行选择，选择一个均衡的频率对图像进行Gabor滤波，该方法在对指纹纹线方向提取算法进行研究的基础上，改进了纹线频率的提取方法，提取使Gabor滤波器的频率方差平方和最小的频率作为过滤频率，消除了指纹图像增强过程中的出现的块效应。
并且将Gabor函数制成模板，用模板来拟合Gabor函数，并将矩形模板变为两条相交的线段模板，运算量减少了很多。
（3）图像细化
对图像进行细化的主要目的是去掉不必要的纹线宽度信息，减少图像的数据量，使连接结构变得简单明了，便于从图像中提取细节特征，从而大大提高图像的处理速度和效掣。
细化算法有很多种，按照细化顺序来看主要分为3类：
串行细化、并行细化和混合细化。
改进的OPTA算法是目前使用频率很高的一种细化算法。
改进的OPTA算法是串行细化算法，这种算法能够保证脊线宽度为单像素，但是细化后会产生很多毛刺，并且对纹线上的孔洞效果较差，导致出现很多的伪特征点，影响了指纹识别的准确性。
为了解决这些问题《，残缺指纹识别的算法研究》研究采用一种基于数学形态学的查表细化算法，实验证明，改进的OPTA算法整体效果还可以，不过在三角点附近的细化不准确，粘连较多，与原图有较大差异；
（4）二值化
图像的二值化是指通过设定阈值把灰度图像变成只用两个值来表示图像的目标和背景的二值图像。
算法的关键在阈值T的选择，如果指纹图像的像素点的灰度值大于等于阈值T,则设为1；小于阈值T的像素点设为0，如下面公式所示：
f（i,j）
1, f
0, f
（i,j） T
（i,j） T
阈值主要分为两类：
全局阈值和局部阈值。
全局阈值是对整个指纹图像采用一个阈值来进行二值化，常用基于扶度直方图的阈值法；局部阈值是将图像分为若干个小块，对每个小块选择一个适合的阈值。
由于全局阈值二极化不能处理复杂图像，为了提高二值化后图像的质量，就提出了局部阈值二极化，就是每一个或者每一块像素的阈值的确定是同周围像素有关而与其他位置的像素无关。
此法处理图像的效果好，适用范围广，但是处理速度较低。
目前比较简单、高效的局部阈值方法有以下几种：
Yasuda法，Niblack法，J.M.White法（非线性动态窗口阈值法）。
（5）图像压缩
在实际处理中，由于图像信息量非常大，在存储及传送时，需要对图像信息进行压缩。
图像压缩已研究了几十年，提出了诸如DPCM、DCT、VQ等压缩方法，并已出台了基于DCT等技术的国际压缩标准，如JPEG、MPEG等。
人们逐渐发现了这些方法的许多缺点：
比如高压缩比时图像出现严重的方块效应、人眼视觉系统的特性不易被引入到压缩算法中
等等。
目前，许多人正在致力于第二代图像编码技术的研究。
第二代图像编码技术是指不局限于SHANN0N信息论的框架，要求充分利用人的视觉生理心理特性和图像信源的各种特性，能获得高压缩比的一类编码技术。
这其中以小波变换编码、分形编码和模型基编码最具有代表性，也很有可能成为新一代国际图像压缩标准的核心理论。
（6）图像复原
在获取数字图像过程中经常发生图像质量下降或者退化,为了给观察者以清晰的图像，还要对图像进行改善，即进行复原处理，它是把已经退化了的图像加以重建或者恢复的过程，以便改进图像的保真度。
比较古老的数字图像处理技术有逆滤波图像复原和维纳滤波图像复原。
退化图像中小噪声的干扰会对逆滤波恢复的图像产生很大的影响，直接求逆法一般用于信噪比较高的图像。
维纳滤波图像复原数学表达式简单，但当图像的信噪比较低时，处理结果不能令人满意。
小波分析是近年来发展起来的一种新的时频分方法，在图像处理中有非常重要的作用，Mallat和Meyer对小波分析做了相应的究和搜索，提出了多分辨分析的理论框架,人利用小波变换具有对信号自适应的特点将小波分析用于图像复原，能够及时地反馈图像特征值来指导复原操作，研究表明基于小波的图像复原算法具有良好的复原性能，在时域和频域具有很好的局部化性质。
支 持向量机是由Vapnik首先提出的,PengDQ,TianJW.Im提出了一种基于局部自适应最小方差支持向量机的图像复原方法，该方法最大的优点就是在小样本情况下依然可以保持很好的推广泛化能力。
近些年来基于人工神经网络的图像处理复原技术引起了广泛的关注，目前Hopfield神经网络是复原技术中常用的神经网络,该方法复原精度也比其他方法要高,Wu等人最先提出一种基于神经网络的复原算法,该方法克服其他方法复原后丢失图像信息的缺点能够保护图像边缘,基于模式识别的神经网络复原算法是由Wang等人提出的,该算法能够实现快速稳定的收敛,其并行处理特性改善了算法的实时性。
Bao等人用多层感知模型神经网络进行图像复原,该方法具有较好的噪声抑制效果适用于具有高对比度的图像复原,虽然人工神经网络已经广泛应用于数字图像处理复原技术,但是由于本身的复杂性，人工神经网络的规模会很大,结构也很复杂还远未达到理想的程度。
虽然近年来图像复原的研究成果越来越多，但由于图像复原本身所具有的难度，使研究仍然存在一些问题，现有的退化模型大都基于线性而实际情况并非如此，伴随着数字图像处理的应用领域不断扩大，实时处理技术已成研究的热点。
实时性是很多算法应用的前提，在实时图像处理系统中算法运行时间也成为今后研究的方向和目标。
特征抽取的研究：
特征抽取是图像识别的基本问题，其任务是从大量原始数据中找出最能代表该模式的少量特征，以便于进行分类和识别。
特征抽取的本质是降维，同时尽量不丢失模式的分类信息。
（1）主成分分析（PCA）
PCA是线性维数约简方法最为重要的技术之一，广泛地应用在人脸等模式识别领域，PCA的意义是在重构时其平方误差最小。
TurkM和PentlandA所提出的Eigenfaces方法是采用PCA进行人脸识别最著名的方法。
Yang等针对Eigenfaces方法的弱点提出了一种图像投影主分量分析方法,实验证明其特征抽取的速度比传统的主分量分析提高了十几倍。
基于PCA，陈伏兵等提出了分块PCA的图像识别，该方法特点是能有效地抽取图像的局部特征。
在Yale和NUST603人脸库上的试验结果表明，所提出的方法在识别性能上明显优于经典的PCA方法，识别率可以分别提高6.7和4个百分点。
（2）线性鉴别分析（LDA）
线性鉴别分析（LDA）的基本思想是选择使得Fisher准则函数达到极值的向量作为最佳投影方向，从而使得样本投影到该方向上后，类间离散度最大，而类内离散度最小。
在此基础上，Wilksl和Duda分别提出了鉴别矢量集的概念，即寻找一组鉴别矢量构成子空间，以
原始样本在该子空间内的投影矢量作为鉴别特征用于识别。
该方法被称为经典的Fisher线性鉴别分析方法（FDA）。
除了经典的Fisher线性鉴别分析方法外，Sammon提出了基于Fisher鉴别准则的最佳鉴别平面的概念，Foley和Sammon进一步提出了采用一组满足正交条件的最佳鉴别矢量集进行特征抽取的方法。
Z.Jin和J.Y.Yang等从统计不相关的角度，提出了具有统计不相关性的最优鉴别矢量集的概念,与Foley-Sammon鉴别矢量集不同的是，具有统计不相关性的最优鉴别矢量集是满足共轭正交条件的。
Jin和Yang的方法被称为不相关的鉴别分析或Jin-Yang线性鉴别法。
在线性鉴别分析中，由于Fisher准则的内在缺陷，使得在处理人脸识别等高维小样本模式识别问题的时候，面临着类内散布矩阵奇异的问题，不少解决该类问题的方法相继提出，主要可分为以下两类：
一是基于变换的方法：
Fisherfaces方法、最具有鉴别能力的特征抽取方法、增强Fisher线性鉴别模型法。
另一种是基于算法的（algorithmbased）方法：
扰动法、正交补空间法、广义的Fisher鉴别准则函数、直接的线性鉴别分析方法。
（3）基于散度差的无监督鉴别特征抽取
由于PCA和LDA都是基于样本整体特征的算法，忽略了样本的局部特征。
无监督的鉴别投影（UDP）技术，用于对高维数据进行维数缩减，它同时考虑到样本的局部特征和非局部特征，但是在人脸等高维图像识别的应用中，不可避免地会出现小样本问题。
大散度差准则是对Fisher准则的改进，消除了小样本问题，但是该方法是基于整体特征的图像识别方法，没有考虑到样本的局部特性。
曹丽，陈才扣等提出一种基于散度差的无监督鉴别特征抽取，避免了局部协方差奇异所产生的问题。
该方法通过修正Fisher鉴别准则，将Fisher鉴别准则中的散度比换为散度差，就物理意义而言没有发生任何改变，但是从理论上消除了Fisher鉴别准则中存在的因类内散布矩阵奇异而无法求解最优投影轴的问题；同时将对一个庞大的类内散布矩阵求逆的过程变为求散差，使算法简单易行，速度也有一定提高。
（4）基于图像矩阵的主分量分析方法
PCA、LDA和Fisherfaces等一维方法在处理图像识别时存在固有的弊病，其弱点也很明显，以人脸识别为例，人脸图像转换成向量后维数常常高达上万维，这会给随后的计算造成很大困难。
虽然样本数较少时可以用奇异值分解（SVD）理论，将计算矩阵R的本征值本征向量问题转换为求解矩阵R的问题减少计算量，但实际中训练样本数可能同样很大，利用SVD理论也无法减少计算量。
对图像识别来说，近年来新出现的二维方法更直观，计算量更小，特征抽取的速度和效率更高。
针对一维方法所遇到的问题，杨静宇带领的研究人员进行了卓有成效的工作。
刘克等人提出了基于图像矩阵投影的二维方法，其基本思想是利用数字图像矩阵直接构造图像散布矩阵，并在此基础上进行鉴别分析。
杨健等人提出了二维主分量分析，并用此方法进行图像重构，取得了很好的效果。
二维线性鉴别分析（2DLDA）是LDA在矩阵模式下的平行推广，它相当于按行分块的PCA。
二维投影抽取出的特征是矩阵，特征之间的冗余度仍然很大，但具有一个很大的优点：
特征抽取的速度提高了近26倍。
（5）非线性特征抽取法
Fisher准则在实际使用中经常会遇到小样本问题，即类内散布矩阵通常为奇异矩阵，目前研究人员已经提出了很多特征抽取方法来解决这种奇异性问题．但是，无论对Fisher线性鉴别分析方法（FDA）怎么改进，其始终是基于线性变换的特征抽取方法，最终抽取得到的是线性特征．现实中许多问题都是非线性可分的，如人脸识别问题中，所以经典的FDA在处理类似人脸等图像识别任务时不能取得令人满意的结果．支持向量机在模式识别领域得就是使用了核技术，其基本思想是通过适当的非线性映射Ф将非线性可分的原始样本输入空间变换到某一线性可分的高维特征空间H，而这种非线性映射Ф是通过定义适当的内积函数实现的，该技术提供了一种抽取样本非线性特征的有效方法，即核特征抽取法。
目前，基于图像矩阵的核主分量分析法（KPCA）已经作为一种新的特征抽取方法广泛应用于图像识别技
术中。
实验结果表明，KPCA不仅能够抽取非线性特征，而且具有更优的识别结果．
（5）基于特征加权的Gabor特征抽取算法
《Gabor滤波器在车辆检测和车型识别中的应用研究》提出了基于特征加权的Gabor特征抽取算法，该算法对Gabor特征矢量根据其邻近分量的离教程度进行加权处理，有效增强离散程度相对较小的特征分量在分类中的作用，同时充分利用样本图像的统计信息，具有较强的鲁棒性和类别表征能力。
实验数据表明，与传统方法相比，这种特征抽取算法能够有效降低图像识别的错误率，增强鲁棒性，适于对质量较差的图像进行识别。
判决与分类方法的研究：
线性判决分析方法是一种有效的分类方法，它提取的特征描述使各类之间差异散布尽量大、每一类之内的差异散布尽量的小。
但是传统的线性判决方法为了达到较好的泛化能力需要较多的训练样本；而且线性判决方法没有运用到特征量中的非线性部分进行分类和识别，因此应该引入非线性的方法对该问题进行分析处理。
核方法是当前模式识别领域中一个新的方向，它通过非线性变换将样本从输入空间映射到一个高维特征空间，能够不需要知道这个非线性变换的具体表达式，利用核函数技巧，各分量之间仅通过内积运算得到数据映射到高维空间的特征。
在高维特征空间，线性不可分的数据通过升维，得到高维线性可分的数据，这样就可以在高维特征空间使用各种线性分析方法提取数据特征、进行降维优化处理。
Vapnik提出了通过控制学习机器的容量实现其泛化能力的控制的统计学习理论，并基于此提出了支持向量机，随着核技巧在支持向量机方法中的成功运用，涌现出很多基于核的子空间方法，广泛应用于非线性模式分类问题，其中最具代表性有：
核主成分分析、核线性判别分析，广义判别分析以及核直接线性判别分析。
理论和实验均表明基于核的LDA方法对于人脸识别等非线性分类问题的有效性．然而，基于核的LDA方法的性能对核函数及其参数的选择甚为敏感．现有的核选择方法主要是预先指定核函数的类型，然后使用交差验证或梯度下降法进行核参数选择，计算颇为耗时，而且仍然不能保证选出最优的核函数或核参数；此外，单个固定核只能表现出输入数据某一方面的几何结构，对于涉及到多重、异质数据源的应用就未必适合。
近来，基于支持向量机的应用与开发显示，在某些应用中使用多重核可以提高分类性能，由此产生了所谓的多重核学习（MKL）方法，《核方法的若干关键问题研究及其在人脸图像分析中的应用》一文提出了多重核线性判别分析（MKDA）方法，首先针对基于核的LDA给出了一种多重核的构造方法，继而通过使用拉格朗日乘子法优化最大边缘准则，在基于核的LDA的框架下导出了MKDA权值优化的迭代算法．在实验部分，一方面，优化权值后的MKDA在几个UCI标准数据集上显示了高于单个核KDDA的鉴别性能；另一方面，将MKDA的权值优化算法用于核选择，为图像识别有
升级会员 