人工智能背景下圖像識別技術(shù)淺析

李觀發(fā)

摘要：21世紀(jì)以來，智能化技術(shù)的飛速發(fā)展，使人工智能逐漸滲透到各個領(lǐng)域中，并影響著人們的方方面面，圖像識別便是人工智能的重要體現(xiàn)。近些年來，人們對圖像識別技術(shù)的愈發(fā)關(guān)注，使圖像識別技術(shù)的應(yīng)用領(lǐng)域正變得愈發(fā)廣泛，在地質(zhì)勘測、醫(yī)療診斷、面部識別等都會應(yīng)用到圖像識別技術(shù)，這也使圖像識別技術(shù)成為人們的一大關(guān)注焦點。鑒于此，本文便對人工智能背景下圖像識別技術(shù)進行淺要的分析，以期能夠進一步提高圖像識別技術(shù)的應(yīng)用水平。

關(guān)鍵詞：人工智能 圖像識別技術(shù)

引言

在人工智能背景下圖像識別技術(shù)已經(jīng)成為一種新興的技術(shù)手段，該技術(shù)在短短的幾十年里得到了迅猛的發(fā)展，并在指紋識別、衛(wèi)星云圖識別、醫(yī)療診斷、安全驗證等諸多領(lǐng)域中發(fā)揮著越來越重要的作用。在人工智能的帶動下，圖像識別技術(shù)的應(yīng)用水平正得以不斷提高，關(guān)于圖像識別技術(shù)的應(yīng)用，也正受到越來越多人的關(guān)注。為了使圖像識別技術(shù)能夠得到更好的應(yīng)用，以下便對人工智能背景下圖像識別技術(shù)進行淺要的分析。

1圖像識別技術(shù)

圖像識別技術(shù)作為人工智能的重要應(yīng)用體現(xiàn)，其自誕生以來，便經(jīng)歷了三個發(fā)展應(yīng)用階段，圖像識別技術(shù)在應(yīng)用初期，主要用于對文字進行識別，隨后其被應(yīng)用于數(shù)字圖像的處理與識別，最后則開始進一步應(yīng)用到物體識別之中?，F(xiàn)如今，圖像識別技術(shù)的功能已經(jīng)變得非常強大，其應(yīng)用領(lǐng)域也變得日益廣泛。對于圖像識別技術(shù)來說，其原理并不復(fù)雜，該技術(shù)中主要是以信息處理為核心，利用計算機來對圖像進行記憶與識別的，在應(yīng)用過程中，其能夠?qū)θ梭w大腦進行模擬來提取圖像特征，然后根據(jù)相應(yīng)的認(rèn)知規(guī)律來對不必要的冗余信息進行排除，以此確定重要信息，明確圖像分類，這樣工作人員便可根據(jù)自身所需隨時隨地的從計算機數(shù)據(jù)庫中調(diào)取到想要的圖像，并且可獲得較為滿意的圖像識別結(jié)果。需要注意的是，圖像識別技術(shù)終究與人眼識別有所不同，因此在圖像識別技術(shù)應(yīng)用過程中，其所提取的圖像特征是不穩(wěn)定的，正是這種不穩(wěn)定性，會對圖像識別技術(shù)的應(yīng)用效率與準(zhǔn)確性造成明顯影響。因此，在人工智能背景下，圖像識別技術(shù)中的圖像特征具有重要意義。

2人工智能背景下圖像識別技術(shù)淺析

在人工智能背景下，人們在應(yīng)用圖像識別技術(shù)時，主要包括兩種，一種是通過神經(jīng)網(wǎng)絡(luò)來進行圖像識別的技術(shù)，另一種則是通過非線性降維方法來進行圖像識別的技術(shù)，以下便對這兩種圖像識別技術(shù)進行逐一論述。

2.1神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)作為人工智能中的一種重要技術(shù)，其是以現(xiàn)代神經(jīng)生物學(xué)作為基礎(chǔ)而研究出來的，神經(jīng)網(wǎng)絡(luò)能夠?qū)ι镞^程進行模擬，以此對人腦在計算過程中所具有的某種特性結(jié)構(gòu)進行反映，事實上，神經(jīng)網(wǎng)絡(luò)并不是完全依據(jù)人腦神經(jīng)結(jié)構(gòu)來進行模仿的，其只不過是以抽象化方法來對人腦的神經(jīng)系統(tǒng)進行描述，以便于提高計算結(jié)構(gòu)的效率。在以神經(jīng)網(wǎng)絡(luò)為核心的圖像識別技術(shù)中，其主要是借助于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法來進行圖像識別的，在利用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)圖像識別時，往往需要先采取預(yù)處理方法來處理圖像，在該預(yù)處理環(huán)節(jié)中，需要將圖像從原有的真彩色模式轉(zhuǎn)換成灰度模式，即使真彩色圖像通過預(yù)處理手段使其轉(zhuǎn)化成灰度圖像，在預(yù)處理中，還需要對灰度圖像進行旋轉(zhuǎn)、放大、歸一化等處理。為了使神經(jīng)網(wǎng)絡(luò)能夠在圖像識別中充分發(fā)揮作用，還要根據(jù)圖像識別的功能及對象來設(shè)計相應(yīng)的神經(jīng)網(wǎng)絡(luò)，在對神經(jīng)網(wǎng)絡(luò)進行設(shè)計時，需要對輸入層、隱含層乃至輸出層進行逐一設(shè)計，然后還要確定初始權(quán)值以及期望誤差。在對輸入層進行設(shè)計時，需要結(jié)合圖像識別的具體對象來明確求解問題，確定最佳的數(shù)據(jù)描述方法。

為了使人們更易于理解，本文在設(shè)計輸入層時，將圖像樣本的尺寸縮放大小設(shè)置成16 x16，網(wǎng)絡(luò)輸入為256維。在對隱含層進行設(shè)計時，則要對隱含層的數(shù)量及其單元數(shù)量進行確定，現(xiàn)階段，許多研究都證明隱含層的層數(shù)及其神經(jīng)元數(shù)量會直接影響到圖像識別精度，因此需要確定最佳的隱含層層數(shù)及神經(jīng)元數(shù)量，只有這樣才能確保圖像識別精度達到最為理想的應(yīng)用效果。因此，在對隱含層中的單元數(shù)進行確定時，需要結(jié)合經(jīng)驗公式L=a+M+N、L= lOg2Ⅳ，這樣可避免削弱神經(jīng)網(wǎng)絡(luò)的泛化能力。針對神經(jīng)網(wǎng)絡(luò)在對外樣本進行訓(xùn)練時出現(xiàn)的識別率較低問題，在上述經(jīng)驗公式中，輸出層中所含有的神經(jīng)元數(shù)量由M進行表示，而輸入層中含有的神經(jīng)元數(shù)量則由N來進行表示。需要考慮的是，對神經(jīng)網(wǎng)絡(luò)隱含層中一些影響不大的神經(jīng)單元進行刪除，可使神經(jīng)網(wǎng)絡(luò)的應(yīng)用性能得到一定程度的提高，不過其結(jié)構(gòu)確定卻需要投入較長的時間來進行研究方可確定。在對神經(jīng)網(wǎng)絡(luò)中的輸出層進行設(shè)計時，通常會采用多輸出型來設(shè)計神經(jīng)網(wǎng)絡(luò)。但在確定初始權(quán)值時，為了使神經(jīng)網(wǎng)絡(luò)的收斂性能更佳，一般要將初始權(quán)值的選值范圍控制在（-1，1）之間，在確定期望誤差時，應(yīng)根據(jù)預(yù)期的誤差值及訓(xùn)練時間進行確定，本文將期望誤差值確定為0.001。

在對神經(jīng)網(wǎng)絡(luò)進行設(shè)計后，便要對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，為了確保其識練結(jié)果能夠與圖像識別需求相符，本文應(yīng)用MATLAB軟件中的newff函數(shù)對相應(yīng)的兩層網(wǎng)絡(luò)進行創(chuàng)建，該網(wǎng)絡(luò)中的輸出神經(jīng)元為1個，輸入神經(jīng)元的數(shù)量為16×16個，隱含層中的神經(jīng)單元數(shù)量為26個，采用learngdm作為學(xué)習(xí)函數(shù)，將學(xué)習(xí)速率的初始值控制在0.01至0.6之間，最大循環(huán)訓(xùn)練為2500。本文利用該神經(jīng)網(wǎng)絡(luò)來識別手寫的26個英文字母，從識別結(jié)果中可以了解到，節(jié)點數(shù)量的不同會對圖像識別準(zhǔn)確率產(chǎn)生直接的影響，當(dāng)隱含層中的節(jié)點為26個時，可使圖像識別需求得到有效滿足。從神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間及其在圖像識別時所產(chǎn)生的誤差性能曲線可了解到，以神經(jīng)網(wǎng)絡(luò)為工具來進行圖像識別，可使26個手寫的英文字母得到有效識別，并且在識別過程中具有良好的抗干擾性能，識別效率非?？欤⑶易R別結(jié)果也較為準(zhǔn)確。因此，憑借上述特點，神經(jīng)網(wǎng)絡(luò)還可應(yīng)用于更復(fù)雜的圖像識別工作中。

2.2非線性降維

以非線性降維方法來進行圖像識別也是經(jīng)常被人們所用到的，人們在利用計算機來進行圖像識別時，其自身便相當(dāng)于進行高維識別，由于高維特性的影響，致使計算機在進行圖像識別時往往需要承受很大負擔(dān)，進而影響到圖像的識別效果和速度，而通過非線性降維方法，則可有效提高圖像識別速度和識別質(zhì)量。所謂非線性降維，是在不對圖像結(jié)構(gòu)進行破壞的基礎(chǔ)上，通過對自身維度進行降低，以此提高圖像識別精度和速度。比如在對人臉進行識別時，由于人臉圖像中的不均勻特性廣泛分布于高緯度空間，這也使計算機在識別人臉圖像時的耗費時間過長，從而給計算機造成很大負擔(dān)，而通過非線性降維方法，則可使人臉圖像變得相對緊湊，進而提高人臉識別效率。

3結(jié)語

總而言之，在人工智能背景下，圖像識別技術(shù)已經(jīng)廣泛應(yīng)用于醫(yī)療診療安全檢查身份識別等領(lǐng)域其也給民眾的生活帶來了巨大改變，使民眾充分感受到人工智能所帶來的便利。為了使圖像識別技術(shù)能夠更好的為民眾服務(wù)，就必須要對圖像識別技術(shù)進行更加深入的研究，使人工智能能夠真正融入到人們的生活。

參考文獻

[1]計算機人臉圖像識別技術(shù)[J].技術(shù)與市場，2014，21（11）：283.

[2]孟廣仕，圖像識別技術(shù)在人工智能中的應(yīng)用[J].信息與電腦（理論版），2018（12）：152-153.

[3]張娟.三維多媒體視覺圖像人工智能識別方法仿真[J]，計算機仿真，2018，35（09）：435 438.