李祥瑞

摘要：本文探讨了图像识别概述，以及机器视觉的图像识别算法的现状，分析了机器视觉识别的关键技术，研究了机器视觉的图像识别技术的应用。

关键词：图像识别;机器视觉;图像处理

中图分类号：TP391.4 文献标识码：A 文章编号：1007-9416（2020）01-0110-02

0 引言

近年来，随着人工智能技术的飞速发展，人机交互的需求也越来越高，图像识别技术再次走进人们视野。图像识别技术是人工智能的重要领域，主要功能是排除图像中的多余信息，抽出关键信息，从而达到机器代替人工实现对字符、人脸、姿势等识别。对于复杂场景，基于机器视觉的图像识别技术体现出其优越的稳定性、客观性和准确性。图像识别技术与诸多技术相关，因此学习相关技术是研究图像识别技术的基础。

1 图像识别概述

图像识别算法是利用计算机的分析处理能力对图像进行分析，提取出图像的主要特征如颜色特征、纹理特征、形状特征、局部特征等，去除图像中的多余信息，再通过图像分类器进行匹配，基于计算机处理的结果判断不同属性的目标，最终得到设计者的预期。

机器视觉技术是利用计算机来替代人的视觉，进而在三维空间中对事物进行一定的判断。基于机器视觉的图像识别技术是以数字图像处理与识别为基础，结合人工智能、虚拟现实等学科知识，被广泛应用在航天、医疗等诸多领域的前沿科技[1]。基于机器视觉的图像识别算法流程大致为图像获取、预处理、特征值提取、图像匹配等，其基本流程图如图1所示。然而，由于图像的多样性和复杂性，高效准确的识别仍然是比较困难的问题。

2 基于机器视觉的图像识别算法的现状

目前，有多种图像识别算法，各有各的可取性，但鲜有性能高且鲁棒性强的算法。在研究各图像算法前，要了解图像特征提取是图像分析和识别的前提。常用的图像识别算法为局部特征点的提取，不仅可以大幅度提升计算机的运行速度，还保留较高的准确性。局部特征点为图像的局部表达，常用局部特征点为斑点和角点。斑点通常指图像中的灰度差，角点通常指图像线条交叉部分。斑点检测主要有LOG、DOG、SIFT、SURF等算法;角点检测主要有Harris、FAST等算法;二进制字符串特征描述有BRIEF算法、BRISK算法、ORB算法、FREAK算法等算法。

3 机器视觉识别的关键技术

3.1 图像获取

一般情况下，基于机器视觉的图像识别算法的图像获取主要依赖于摄像机，摄像机将采集到的图像通过图像采集卡传输到硬件处理部分，这是进行一切图像处理的前提。

3.2 预处理

图像预处理的目的是减少后续图像处理的工作压力，提前对图像进行去噪、增强、补偿等处理，提供清晰度较高的图像。如今已有的图像识别算法有上千种，但核心还是边缘检测、图像分割、图像二值化、灰度检测等技术。在图像预处理过程中，根据不同的图像识别算法，在预处理阶段可对不同的特征值、灰度值等参数进行相应处理，处理结果的质量对最终分析的结果有直接影响。其中边缘检测属于低层视觉中研究的问题，是图像增强、特征提取、图像分割等中高层任务执行的基础[2]。图像分割的目的是从较复杂的图像中将特征目标保留下来，但如何从复杂的图像中高效的提取出特征目标一直是研究的热点。图像二值化（Image Binarization）是将整个图像的像素点设置为0或255，使图像呈现黑白效果，极大地减少图像中数据量，突出图像轮廓。

3.3 特征值提取

特征选取以提取对图像识别的速率和精度有较大影响。特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的作用就是把图像上各个点划分为不同的子集如孤立的点、连续曲线、连续区域等。通常图像的特征为颜色特征、纹理特征、形状特征、局部特征。

3.4 图像匹配

图像匹配不是用来判别两幅图像是否相同，而是研究判断两幅图像之间的相似程度，而图像之间的相似性随着算法要求的不同而改变。一般情况下我们所使用的相似性是使用图像匹配算法来判断两幅不同图像中的物体。由于图像的复杂性以及图像获取时的光照、角度、环境的不同，所以图相匹配需要选取合适的特征点来简化图像，增强识别准确性。

4 基于机器视觉的图像识别技术的应用

4.1 医疗领域

基于机器视觉的图像识别技术在医疗领域展现出极大地价值。随着“互联网+”的兴起，互联网+医疗已经成为医疗领域的发展趋势。在医学检测方面，可以有效地进行医疗器械检测、实验室检测等。在临床医学中也可以结合多项检测技术，对检测结果进行一定的分析和统计，帮助进行理疗诊断。

4.2 工业领域

随着我国工业的不断发展，工业自动化的要求也越来越高，而基于机器视觉的图像识别技术在自动检测方面得到了很好地应用。传统的自动检测技术主要是使用几何测量技术，存在检测速度慢，精度低等缺点，而机器视觉技术可以使用多种扫描技术如激光灯对器件进行同步检测，大大提高了自动检测的准确性和精确性[3]。此外，在自动装配方面，使用机器视觉技术可以增强装配时判断指标，一定程度上降低了对装配环境的高要求。

4.3 交通领域

基于机器视觉的图像识别算法在交通领域主要应用于视频监测、交通管理、车牌识别等方面。在视频检测中，通过对交通信息采集，可实现对车辆、行人的行为检测以及追踪定位。在交通管理方面，图像识别技术可实现对车辆的智能疏散，在自动泊车系统中也有一定的应用。在车牌识别方面，已经十分广泛的应用于各企业和小区，对小范围车辆管理有一定的帮助[4]。此外，随着无人驾驶技术的发展，基于机器视觉的图像识别技术再次得到广泛关注。

4.4 生活方面

随着我国移动支付方式的普及，人脸识别支付已经成为一种重要的支付手段。近年来也有将基于机器视觉的图像识别算法与智能家居融合的实例，用于判断坐姿等是否正确，提出相应的整改报告。

5 结语

总之，机器视觉的图形识别算法已经在多个领域有了广泛应用，但其仍需要一定的改进。在不同复杂背景下其对摄像机的要求、对处理器处理速度要求较高，不同的算法处理精度也存在差距。同时，在日常生产生活中，基于机器视觉的图像识别算法识别精度高，识别速度慢。与之相比，传统传感器识别精度低，但识别速度较快，如何有效的提取二者的优势，同时提高图像识别的精度与速度也是一个重要的研究方向。

参考文献

[1] 谢永杰，智賀宁.基于机器视觉的图像识别技术研究综述[J].科学技术创新，2018（07）：74-75.

[2] 薛峰，陈川.机器视觉技术发展及其工业应用[J].无线互联科技，2016（13）：137+144.

[3] 陈浩.图像经典边缘检测算子的研究与比较[J].电脑编程技巧与维护，2019（12）：150-152.

[4] 王飞.机器视觉技术发展及其工业应用[J].电子技术与软件工程，2018（16）：246.