基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)探討

王瑞麗

摘 要：在大數(shù)據(jù)時(shí)代背景下，各個(gè)行業(yè)中都涉及到更加復(fù)雜的管理內(nèi)容，為了實(shí)現(xiàn)更加有效的管理，需要行業(yè)具有針對(duì)大數(shù)據(jù)管理的方法，而神經(jīng)網(wǎng)絡(luò)就是一種針對(duì)大數(shù)據(jù)的網(wǎng)絡(luò)處理結(jié)構(gòu)，其在計(jì)算機(jī)視覺(jué)中的應(yīng)用也有效提供了計(jì)算機(jī)技術(shù)的性能，下面，本文就針對(duì)基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)進(jìn)行探討，來(lái)了解其具體的實(shí)現(xiàn)和應(yīng)用。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 計(jì)算機(jī)視覺(jué) 應(yīng)用探討

中圖分類(lèi)號(hào)：S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）04（b）-0017-02

計(jì)算機(jī)視覺(jué)應(yīng)用作為一種新型的技術(shù)類(lèi)型，其受到了人們的歡迎和追捧，為了更好地實(shí)現(xiàn)計(jì)算機(jī)視覺(jué)的功能，就可以利用神經(jīng)網(wǎng)絡(luò)來(lái)建立相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)進(jìn)行計(jì)算機(jī)視覺(jué)功能的實(shí)現(xiàn)，但是，由于神經(jīng)網(wǎng)絡(luò)還處于一種探索的階段，在探索的過(guò)程中國(guó)也產(chǎn)生了多種神經(jīng)網(wǎng)絡(luò)模型，本文主要針對(duì)卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用進(jìn)行探討，來(lái)了解其對(duì)計(jì)算機(jī)視覺(jué)的實(shí)現(xiàn)。

1 計(jì)算機(jī)視覺(jué)的神經(jīng)網(wǎng)絡(luò)模擬發(fā)展現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)模擬技術(shù)的發(fā)展還處于一種探索的階段，并沒(méi)有達(dá)到實(shí)時(shí)的處理效果，而隨著長(zhǎng)期的研究和探索，目前國(guó)內(nèi)外對(duì)于神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究也在不斷進(jìn)步，計(jì)算機(jī)視覺(jué)主要是將視覺(jué)感知到的處理以及表現(xiàn)進(jìn)行綜合，進(jìn)而實(shí)現(xiàn)其自動(dòng)化處理的技術(shù)，在神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)應(yīng)用中，對(duì)于圖像的處理、統(tǒng)計(jì)模式的分類(lèi)以及幾何的建模和處理等技術(shù)都比較實(shí)用，但是其研究中依然存在一定的難題。比如：利用相應(yīng)的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)圖像的恢復(fù)，但是其完成任務(wù)的過(guò)程中，需要神經(jīng)元的數(shù)量過(guò)多，即所用的神經(jīng)元數(shù)量至少要等于其輸入的圖像像素的個(gè)數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)應(yīng)用中也取得了不錯(cuò)的效果，比如：利用三層神經(jīng)網(wǎng)絡(luò)對(duì)其紋理實(shí)現(xiàn)了有效分割，利用多值Boltzmann機(jī)來(lái)對(duì)其紋理進(jìn)行分割，在其有限的迭代次數(shù)下，取得的效果卻不錯(cuò)，在邊緣的檢測(cè)中，也取得了很大的突破[1]。

2 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)分析

2.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

對(duì)于一個(gè)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)說(shuō)，其主要有兩個(gè)卷積層（C1，C2）以兩個(gè)子采樣層（S1，S2）交替組成。其原始的輸入圖像先經(jīng)過(guò)3個(gè)可以訓(xùn)練的卷積核可加偏置的向量來(lái)進(jìn)行相應(yīng)的卷積運(yùn)算，進(jìn)而在C1層呈現(xiàn)出3個(gè)具有特征的映射圖，然后針對(duì)其每一個(gè)特征映射圖局部區(qū)域來(lái)進(jìn)行相應(yīng)的加權(quán)平均求和，在通過(guò)增加相應(yīng)的偏置后，通過(guò)其非線性的激活函數(shù)于S1層呈現(xiàn)出3個(gè)新特征的映射圖，這些具有特征的映射圖在C2層3個(gè)可訓(xùn)練的卷積核中進(jìn)行卷積，再經(jīng)過(guò)S2層，輸出相應(yīng)的3個(gè)特征的映射圖，最后S2層3個(gè)輸出特征圖像被向量化，輸入到其傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.2 圖像分類(lèi)

圖像分類(lèi)主要是通過(guò)對(duì)相關(guān)圖像進(jìn)行分析，進(jìn)而將相應(yīng)的圖像劃分為若干類(lèi)別中某一種，它主要用來(lái)強(qiáng)調(diào)圖像整體語(yǔ)義的判定。目前，常用評(píng)判圖像的分類(lèi)算法帶標(biāo)簽數(shù)據(jù)集有很多種，ImageNet的使用就比較頻繁，其包含了超過(guò)15000000張的帶標(biāo)簽高分辨率的圖像，而這些圖像進(jìn)一步被劃分成超過(guò)22000種類(lèi)別，在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)，一般常用歸一化的輸入數(shù)據(jù)預(yù)處理手段，它可以有效地減少網(wǎng)絡(luò)的訓(xùn)練參數(shù)和初始權(quán)重，從而避免對(duì)訓(xùn)練的效果產(chǎn)生影響，加快其收斂的速度，相關(guān)人員也將這種歸一化方法使用到了網(wǎng)絡(luò)內(nèi)部激活函數(shù)中，從而實(shí)現(xiàn)對(duì)層和層之間數(shù)據(jù)傳輸?shù)臍w一化[2]。

2.3 物體檢測(cè)

物體檢測(cè)相對(duì)于圖像分類(lèi)來(lái)說(shuō)更加復(fù)雜，在對(duì)于一張圖像的處理中，其還可能具有不同類(lèi)別多個(gè)物體，因此，這就需要針對(duì)這些內(nèi)容，進(jìn)行相應(yīng)的定位和識(shí)別，要想在物體的檢測(cè)中取得好良好的效果，就比物體的分類(lèi)更有難度，在物體檢測(cè)中，其深度學(xué)習(xí)的模型結(jié)構(gòu)和構(gòu)建也就更為復(fù)雜。卷積神經(jīng)網(wǎng)絡(luò)在物體檢測(cè)中的使用，主要是利用R-CNN模型，這一模型是使用Selective search這一種非深度的學(xué)習(xí)算法來(lái)提出相應(yīng)的待分類(lèi)候選區(qū)域，進(jìn)而再將其每一個(gè)候選區(qū)域進(jìn)行輸入于相應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)，并提取其特征，然后將這部分特征輸入于線性支持的向量機(jī)進(jìn)行分類(lèi)，為了保證其定位準(zhǔn)確，R-CNN還訓(xùn)練了一種線性回歸模型，對(duì)候選的區(qū)域坐標(biāo)實(shí)現(xiàn)修正。

2.4 姿態(tài)估計(jì)

在計(jì)算機(jī)視覺(jué)呈現(xiàn)中，除了圖像分類(lèi)以及目標(biāo)檢測(cè)外，對(duì)于姿態(tài)的估計(jì)也是應(yīng)用十分廣泛，比如：在很多網(wǎng)絡(luò)游戲、動(dòng)畫(huà)視頻等中都需要用到，因此，這就需要計(jì)算機(jī)視覺(jué)快速實(shí)現(xiàn)姿態(tài)的估計(jì)，在姿態(tài)估計(jì)和檢測(cè)中，一般包含很多的類(lèi)別，姿態(tài)估計(jì)也是目前計(jì)算機(jī)視覺(jué)實(shí)現(xiàn)中最關(guān)鍵的內(nèi)容，主要是由于其應(yīng)用于人物的追蹤、動(dòng)作的識(shí)別以及視頻分析中，比如：生活中常用到的視頻監(jiān)控以及視頻搜索功能等。對(duì)于姿態(tài)估計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)說(shuō)，其主要有5個(gè)卷積層以及3個(gè)pooling層和3個(gè)全連接層來(lái)組成，其每一層都能夠提取一定的特征進(jìn)而進(jìn)入于下一層的訓(xùn)練中，再經(jīng)過(guò)最后的全連接層得出一個(gè)2k維向量，就作為其輸出結(jié)的果，如果想要得出原圖的大小，還需要進(jìn)行相應(yīng)的逆操作[3]。

2.5 圖像分割

在以上的基礎(chǔ)上，對(duì)計(jì)算機(jī)視覺(jué)功能的發(fā)展就是對(duì)相應(yīng)圖像的每個(gè)像素點(diǎn)進(jìn)行預(yù)測(cè)，也就是對(duì)圖像的分割。對(duì)于圖像的分割來(lái)說(shuō)，一張圖像可能會(huì)存在多個(gè)的物體、多個(gè)的人物或者多層的背景，這就需要對(duì)原圖上每一個(gè)像素點(diǎn)進(jìn)行分析，進(jìn)而預(yù)測(cè)其屬于的哪部分圖像分割內(nèi)容，這也是計(jì)算機(jī)視覺(jué)應(yīng)用中關(guān)鍵性內(nèi)容。卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)于圖像分割的實(shí)現(xiàn)，先使用一些常用分類(lèi)網(wǎng)絡(luò)，保留它們對(duì)圖像分類(lèi)訓(xùn)練的參數(shù)基礎(chǔ)之上，再進(jìn)行相應(yīng)的處理，將其轉(zhuǎn)變成圖像分割模型，然后，再將一些網(wǎng)絡(luò)比較深的層特征以及一些比較淺的層特征進(jìn)行有效結(jié)合，最后再用相應(yīng)的反卷積層放大到相應(yīng)的原始圖像大小提供更加準(zhǔn)確分割結(jié)果，這種網(wǎng)絡(luò)結(jié)構(gòu)也被稱作跳躍結(jié)構(gòu)。

2.6 人臉識(shí)別

人臉識(shí)別在圖像識(shí)別的領(lǐng)域是非常重要研究的內(nèi)容，其在人們生活中也逐漸的得到了使用，人臉圖像功能的實(shí)現(xiàn)，需要其具有易采集特性，它也受到了很多行業(yè)重點(diǎn)關(guān)注，因此，其具有廣闊的使用前景以及巨大商業(yè)市場(chǎng)。對(duì)于人臉識(shí)別技術(shù)來(lái)說(shuō)，其主要有人臉檢測(cè)、人臉識(shí)別以及人臉特征提取3個(gè)過(guò)程，人臉檢測(cè)主要是在輸入圖像以及視頻中，檢測(cè)和提取相應(yīng)的人臉圖像，進(jìn)而給出相應(yīng)的人臉位置以及相應(yīng)的主要的面部器官位置信息，一般采用Haar特征以及Adaboost算法的訓(xùn)練級(jí)聯(lián)分類(lèi)器來(lái)對(duì)圖像的各個(gè)矩形子區(qū)域?qū)崿F(xiàn)分類(lèi)，特征提取通過(guò)對(duì)一組數(shù)據(jù)進(jìn)行人臉信息的獲取，其主要是提取人臉的特征，人臉特征一般有幾何特征以及表征特征[4]。

3 結(jié)語(yǔ)

神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)應(yīng)用對(duì)計(jì)算機(jī)技術(shù)的發(fā)展具有著重要的意義，其可以有效提高計(jì)算機(jī)技術(shù)的功能，進(jìn)而更好地服務(wù)于人們，為了更好地促進(jìn)其應(yīng)用，需要相關(guān)人員繼續(xù)對(duì)神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)應(yīng)用進(jìn)行研究和探索，這也是其發(fā)展中的重點(diǎn)內(nèi)容。

參考文獻(xiàn)

[1] 盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[2] 李彥冬.基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺(jué)關(guān)鍵技術(shù)研究[D].電子科技大學(xué)，2017.

[3] 包曉安，張瑞林，鐘樂(lè)海.基于人工神經(jīng)網(wǎng)絡(luò)與圖像處理的蘋(píng)果識(shí)別方法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2004，20（3）：109-112.

[4] 戴逸松，陳賀新.人工神經(jīng)網(wǎng)絡(luò)的研究及在計(jì)算機(jī)視覺(jué)中的應(yīng)用[J].吉林大學(xué)學(xué)報(bào)，1991（2）：102-110.