物体识别介绍
物体识别(Object recognition)是一个通用术语,描述一组相关的计算机视觉任务,涉及识别图像中的物体。
图像分类涉及预测图像中一个对象的类别,对象定位是指识别图像一个或多个对象的位置,并在其周围绘制边框。物体识别将这两种任务结合起来,对图像中的一个或多个对象进行定位和分类,所以当人们提到物体检测或者目标检测时,其实指的是物体识别。
物体识别
物体识别领域有了较大的发展。首先图像特征层面,人们设计了各种各样的图像特征,像SIFT,HOG,LBP等等。与此同时,机器学习方法的发展也为模式识别提供了各种强大的分类器。后来人们还在对物体建模方面做了一些工作,旨在用更灵活的模型,而不是单一的模板去定义物体。
随着人工智能、大数据和深度学习技术的不断发展,以及3D传感器、深度摄像头等硬件的不断升级,利用深度信息进行三维物体识别的技术,逐渐受到苹果公司等科技大牛和高通等厂商重视,并被植入到硬件产品中。
物体识别的步骤
图片的预处理
预处理几乎是所有计算机视觉算法的一步,其动机是尽可能在不改变图像 承载的本质信息的前提下,使得每张图像的表观特性(如颜色分布,整体明暗, 尺寸大小等)尽可能的一致,主要完成模式的采集、模数转换、滤波、消除模糊、减少噪声、纠正几何失真等操作。
预处理经常与具体的采样设备和所处理的问题有关。例如,从图象中将汽车车牌的号码识别出来,就需要先将车牌从图像中找出来,再对车牌进行划分,将每个数字分别划分开。做到这一步以后,才能对每个数字进行识别。以上工作都应该在预处理阶段完成。在物体识别中所用到的典型的预处理方法不外乎直方图均衡及滤波几种。像高斯模糊可以使之后的梯度计算更为准确;而直方图均衡可以克服一定程度的光照影响。值得注意的是,有些特征本身已经带有预处理的属性,因此不需要再进行预处理操作。
物体识别的步骤
特征提取是物体识别的一步,也是识别方法的一个重要组成部分,好的图像特征使得不同的物体对象在高维特征空间中有着较好的分离性,从而能够有效地减轻识别算法后续步骤的负担,达到事半功倍的效果,下面对一些常用的特征提取方法进行介绍。
近年来,子空间方法,如主成分分析(PCA),辨别成分分析(LDA),也成为 一种相对重要的特征提取手段。这种方法将图像拉长成为高维空间的向量,并进行奇异值分解以得到特征方向。人脸识别便是其较为成功的应用范例。此类方法能处理有全局噪声的情况,并且模型相当简单易实现;然而这种算法割裂了图像的内部结构,因此在本质上是非视觉的,模型的内在机制较难令人理解,也没有任何机制能消去施加于图像上的仿射变换。
以上信息由专业从事互动旋钮设备的华奕科技于2024/6/29 12:27:13发布
转载请注明来源:http://tianjin.mf1288.com/bjhyhd-2777959342.html