薛榮輝,劉星星,王 楠

(西安汽車(chē)職業(yè)大學(xué)汽車(chē)工程學(xué)院 陜西 西安 710600)

0 引言

隨著數(shù)字化計(jì)算快速發(fā)展,信息技術(shù)與智能化計(jì)算機(jī)圖像識(shí)別技術(shù)得到了融合,在此背景下,神經(jīng)網(wǎng)絡(luò)算法在圖像識(shí)別領(lǐng)域也發(fā)揮了重要作用。當(dāng)下,計(jì)算機(jī)圖像識(shí)別在智能算法領(lǐng)域得到廣泛應(yīng)用,從本質(zhì)上來(lái)講,它是一種融合了智能化計(jì)算機(jī)技術(shù)和現(xiàn)代圖像識(shí)別、處理技術(shù)的新興數(shù)字影像技術(shù),該技術(shù)經(jīng)過(guò)全面的技術(shù)革新,已經(jīng)被廣泛應(yīng)用圖像識(shí)別與數(shù)字化技術(shù)處理等領(lǐng)域[1]。例如目前在很多場(chǎng)合都應(yīng)用到了智能化技術(shù),經(jīng)過(guò)對(duì)計(jì)算機(jī)圖像進(jìn)行低照度處理,即可提高攝像機(jī)、數(shù)字化監(jiān)控設(shè)備的傳感器五色彩質(zhì)量,圖像經(jīng)智能化識(shí)別與處理,清晰度較高,同時(shí)采用高感光度技術(shù),有效提高暗光下拍攝出的圖片、圖像識(shí)別度,正是因?yàn)橛辛酥悄芑瘓D像識(shí)別技術(shù),才使得圖片的清晰度大大提高,在保證圖片質(zhì)量的同時(shí),無(wú)需使用陣列紅外燈補(bǔ)光也能夠保留住原來(lái)的圖像色彩和清晰度。

1 計(jì)算機(jī)智能化圖像識(shí)別技術(shù)的基本原理與模式

計(jì)算機(jī)智能化圖像識(shí)別技術(shù)的核心是基于機(jī)器對(duì)圖像進(jìn)行識(shí)別,經(jīng)過(guò)對(duì)相關(guān)景物進(jìn)行處理,收集和處理文字、圖像等圖片信息,經(jīng)過(guò)計(jì)算機(jī)智能化圖像模式識(shí)別,能夠由機(jī)器取代傳統(tǒng)的人工處理技術(shù),可對(duì)某些計(jì)算機(jī)智能化圖像數(shù)據(jù)信息進(jìn)行自動(dòng)化識(shí)別、處理、辨別與分類(lèi),在此過(guò)程中,系統(tǒng)還能夠?qū)ο嚓P(guān)圖像中的具體圖形進(jìn)行快速、準(zhǔn)確識(shí)別分類(lèi)[2]。目前,在我國(guó)發(fā)展的計(jì)算機(jī)智能化圖像識(shí)別模式主要包含三個(gè)環(huán)節(jié),分別是對(duì)計(jì)算機(jī)智能化圖像進(jìn)行分類(lèi),對(duì)計(jì)算機(jī)智能化圖像特征進(jìn)行數(shù)據(jù)提取以及對(duì)計(jì)算機(jī)智能化圖像進(jìn)行預(yù)處理。在前期處理環(huán)節(jié),主要目的是采用計(jì)算機(jī)智能化圖像識(shí)別模式對(duì)圖像進(jìn)行增強(qiáng)處理、平滑處理、數(shù)據(jù)恢復(fù)、圖像分割、圖像邊緣檢測(cè)等,從而使圖像輸入計(jì)算機(jī)中即可將上述幾種不同模式轉(zhuǎn)換為分段處理模式。其中,計(jì)算機(jī)智能化圖像特征提取主要是借助計(jì)算機(jī)智能化圖像識(shí)別模式有效提取圖像主要特征信息,由此為計(jì)算機(jī)智能化圖像中的少部分特征進(jìn)行識(shí)別和有效分類(lèi)。在這幾個(gè)環(huán)節(jié)中,最為關(guān)鍵的步驟就是計(jì)算機(jī)圖像模式分類(lèi),對(duì)于計(jì)算機(jī)用戶(hù)而言,他能夠通過(guò)圖像映射,將計(jì)算機(jī)智能化圖像類(lèi)型空間、部分特征向量空間進(jìn)行圖像歸屬映射,進(jìn)而使圖像模式分類(lèi)歸屬為某一類(lèi)模式,計(jì)算機(jī)智能化圖像識(shí)別技術(shù)基本模式[3]如圖1所示。

圖1 計(jì)算機(jī)智能化圖像識(shí)別技術(shù)基本模式框圖

1.1 獲取計(jì)算機(jī)智能化圖像數(shù)據(jù)

在獲取計(jì)算機(jī)智能化圖像數(shù)據(jù)時(shí),首先需要通過(guò)掃描儀、傳真機(jī)、數(shù)碼攝像機(jī)、數(shù)碼相機(jī)等設(shè)備,將圖片、景物、照片或圖像等經(jīng)過(guò)數(shù)字化傳感器傳入,然后再將這些圖像轉(zhuǎn)換為相應(yīng)的物理量,用于計(jì)算機(jī)測(cè)量和處理[4]。

1.2 處理計(jì)算機(jī)智能化圖像數(shù)據(jù)

在計(jì)算機(jī)智能化圖像數(shù)據(jù)處理過(guò)程中,分別需要經(jīng)過(guò)三個(gè)不同的步驟,一是選擇計(jì)算機(jī)智能化圖像的基本特征,二是抽取計(jì)算機(jī)智能化圖像的基本特征,三是對(duì)計(jì)算機(jī)智能化圖像的基本特征信息進(jìn)行預(yù)處理。經(jīng)過(guò)圖像數(shù)據(jù)預(yù)處理之后,可以有效改善計(jì)算機(jī)智能化圖像的質(zhì)量,與此同時(shí),還能夠通過(guò)圖像數(shù)據(jù)處理,徹底消除因傳輸介質(zhì)所引起的圖像退化現(xiàn)象[5]。在這幾個(gè)環(huán)節(jié)中,抽取計(jì)算機(jī)智能化圖像基本特征的實(shí)質(zhì)就是有效提取出計(jì)算機(jī)智能化圖像的圖像性基本元素和圖像特性數(shù)字值,而在選擇圖像基本特征時(shí),首先需要抽取特征元素,然后方能選擇特征原圖像進(jìn)行圖像智能分類(lèi)識(shí)別。

1.3 分類(lèi)判別計(jì)算機(jī)智能化圖像

計(jì)算機(jī)智能化圖像判別分類(lèi),核心是通過(guò)建立圖像智能分類(lèi)基本規(guī)則,根據(jù)規(guī)則,對(duì)圖像模式進(jìn)行分類(lèi)選擇,在此基礎(chǔ)上,借助智能神經(jīng)網(wǎng)絡(luò)模式進(jìn)行圖像識(shí)別,進(jìn)而實(shí)現(xiàn)圖像的智能判別分類(lèi)[6]。

2 計(jì)算機(jī)智能化圖像識(shí)別技術(shù)基本方法

現(xiàn)階段,研究者主要基于神經(jīng)網(wǎng)絡(luò)計(jì)算方法,對(duì)計(jì)算機(jī)智能化圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)識(shí)別,通過(guò)神經(jīng)網(wǎng)絡(luò)識(shí)別圖像,能夠提高圖像識(shí)別效能,這種神經(jīng)網(wǎng)絡(luò)技術(shù)具有數(shù)據(jù)大規(guī)模處理、計(jì)算機(jī)智能化圖像分布式存儲(chǔ)以及圖像識(shí)別自組織并行等諸多功能。

2.1 神經(jīng)網(wǎng)絡(luò)識(shí)別

在采用神經(jīng)網(wǎng)絡(luò)計(jì)算方法進(jìn)行圖像智能識(shí)別時(shí),首先需要進(jìn)行機(jī)器學(xué)習(xí),而學(xué)習(xí)特性即是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的基本特性,它能夠基于神經(jīng)網(wǎng)絡(luò)計(jì)算方法,對(duì)神經(jīng)網(wǎng)絡(luò)的具體權(quán)值以及網(wǎng)絡(luò)閾值進(jìn)行有效調(diào)節(jié),從而可以實(shí)現(xiàn)計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與訓(xùn)練。目前,計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法主要分為監(jiān)督學(xué)習(xí)算法和無(wú)監(jiān)督學(xué)習(xí)算法兩種基本模式,其中對(duì)于計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法而言,在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí),必須要有一定量的輸入矢量和目標(biāo)矢量作為訓(xùn)練樣本。而在學(xué)習(xí)訓(xùn)練過(guò)程中,計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)能夠?qū)崟r(shí)輸出目標(biāo)訓(xùn)練結(jié)果,并進(jìn)行數(shù)值比較,根據(jù)比較情況,可有效調(diào)節(jié)網(wǎng)絡(luò)權(quán)值與相關(guān)閾值,由此經(jīng)過(guò)循環(huán)往復(fù)的學(xué)習(xí)和訓(xùn)練,最終使計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)輸出結(jié)果更加靠近目標(biāo)訓(xùn)練值[7]。當(dāng)下,最為典型的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)算法為BP算法,它是一種常見(jiàn)的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)算法?，F(xiàn)如今,也有學(xué)者通常采用計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)無(wú)監(jiān)督學(xué)習(xí)算法進(jìn)行智能圖像識(shí)別,這種技術(shù)相比于監(jiān)督學(xué)習(xí)算法,它在整個(gè)學(xué)習(xí)訓(xùn)練過(guò)程中,均無(wú)需學(xué)習(xí)樣本即可實(shí)現(xiàn)自我學(xué)習(xí),系統(tǒng)只需要輸入相應(yīng)的網(wǎng)絡(luò)信號(hào),即可反復(fù)調(diào)節(jié)計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)的相關(guān)權(quán)值和閾值,最終形成一種有序的監(jiān)督學(xué)習(xí)狀態(tài)。圖2所示為基于神經(jīng)網(wǎng)絡(luò)算法的計(jì)算機(jī)監(jiān)督學(xué)習(xí)流程。

圖2 基于神經(jīng)網(wǎng)絡(luò)算法的計(jì)算機(jī)監(jiān)督學(xué)習(xí)流程框圖

2.2 改進(jìn)的GA-BP算法

在算法領(lǐng)域,BP算法往往具有良好的自學(xué)習(xí)性,但是其收斂速度較差,尤其在基于BP算法進(jìn)行梯度下降計(jì)算時(shí),機(jī)器學(xué)習(xí)訓(xùn)練時(shí)長(zhǎng)較長(zhǎng),且非常容易陷入局部極小的困境之下。對(duì)此,本研究為了改進(jìn)上述BP算法缺陷,將傳統(tǒng)BP算法模式與GA遺傳算法模式相結(jié)合,形成了經(jīng)改進(jìn)的GA-BP算法,該算法模式能夠有效避免以往算法模式所帶來(lái)的未成熟收斂算法缺點(diǎn),同時(shí)還可進(jìn)行全局最優(yōu)解搜索與收斂,相比于普通的BP算法而言,經(jīng)過(guò)改進(jìn)的GA-BP算法基于神經(jīng)網(wǎng)絡(luò)算法思想,可使遺傳算法的魯棒性顯著得到增強(qiáng),同時(shí)還可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)算法的非線(xiàn)性學(xué)習(xí)能力、收斂速度與映射能力[8]。

2.2.1 基于改進(jìn)的GA-BP算法思想

改進(jìn)的GA-BP算法采用遺傳算法思想進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí),首先確定GA-BP算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后列出遺傳算法神經(jīng)網(wǎng)絡(luò)神經(jīng)元之間的連接關(guān)系,在此基礎(chǔ)上,通過(guò)連接權(quán)編碼,分別形成實(shí)數(shù)碼串個(gè)體與群體,與此同時(shí),進(jìn)行算法優(yōu)化計(jì)算分析,最后基于遺傳算法對(duì)最優(yōu)個(gè)體進(jìn)行解碼處理,由此有效確定神經(jīng)網(wǎng)絡(luò)具體權(quán)值。在本研究中,分別通過(guò)三個(gè)不同步驟的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),獲得遺傳算法的神經(jīng)網(wǎng)絡(luò)權(quán)值。本研究通過(guò)一定次數(shù)的BP算法學(xué)習(xí),有效選取學(xué)習(xí)結(jié)果初值,進(jìn)而利用遺傳算法模式對(duì)收斂速度較慢的算法權(quán)值進(jìn)行網(wǎng)絡(luò)學(xué)習(xí),由此完成給定精度的算法初始值賦權(quán),這種基于BP優(yōu)化算法的網(wǎng)絡(luò)模型記憶力較強(qiáng),穩(wěn)定性良好,且具有較強(qiáng)的算法推廣能力,同時(shí)還可以提升算法網(wǎng)絡(luò)模型的全局收斂速度。

2.2.2 構(gòu)建GA-BP算法網(wǎng)絡(luò)分類(lèi)器

在計(jì)算機(jī)智能化圖像識(shí)別過(guò)程中,可基于GA-BP算法識(shí)別模型,分析雙隱層數(shù)字圖像BP網(wǎng)絡(luò)分類(lèi)器樣本構(gòu)成及其訓(xùn)練方式。在對(duì)數(shù)字圖像進(jìn)行去噪與分割處理之后,可對(duì)數(shù)字化圖像進(jìn)行逐行、逐列進(jìn)行掃描,在此過(guò)程中,分別將黑色、白色像素特征記為“1”和“0”,當(dāng)算法掃描結(jié)束之后,即會(huì)構(gòu)建一個(gè)具有和圖像相同個(gè)數(shù)的特征向量矩陣,該矩陣維數(shù)為3維,構(gòu)建起網(wǎng)絡(luò)分類(lèi)器之后,還需進(jìn)行GA-BP網(wǎng)絡(luò)訓(xùn)練,整個(gè)算法學(xué)習(xí)訓(xùn)練過(guò)程分別包含學(xué)習(xí)速率選擇,輸入層/輸出層/隱層設(shè)計(jì),訓(xùn)練算法初始化網(wǎng)絡(luò)選擇及訓(xùn)練樣本數(shù)選擇。

2.2.3 網(wǎng)絡(luò)層數(shù)選擇

BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的首要原則是降低算法誤差,通過(guò)增加線(xiàn)性輸出層與S型隱含層網(wǎng)絡(luò)的實(shí)際隱層數(shù),可以大幅提高全部有理函數(shù)的算法精度,并使其進(jìn)一步逼近BP神經(jīng)網(wǎng)絡(luò)算法精度。在本文中,所選擇的BP神經(jīng)網(wǎng)絡(luò)總共包含4層,分別是網(wǎng)絡(luò)層,輸入層,輸出層和運(yùn)算層,首先在網(wǎng)絡(luò)層進(jìn)行第一層運(yùn)算,然后將輸出量信號(hào)輸入到輸入層首層,在此基礎(chǔ)上,進(jìn)行第二層算法運(yùn)算,經(jīng)過(guò)訓(xùn)練之后,將機(jī)器訓(xùn)練學(xué)習(xí)結(jié)果輸出到第二層和第三層進(jìn)行算法運(yùn)算,在整個(gè)算法模式中,第一層的主要功能是對(duì)輸出量信號(hào)進(jìn)行線(xiàn)性分類(lèi),然后通過(guò)第二層進(jìn)行算法邏輯運(yùn)算,從而使非交凸集合分類(lèi)的“與”邏輯同“或”邏輯運(yùn)算得以實(shí)現(xiàn),進(jìn)而完成整個(gè)非交集合分類(lèi)過(guò)程。

2.2.4 輸入層設(shè)計(jì)

主要根據(jù)數(shù)據(jù)表示方式類(lèi)和求解問(wèn)題確定算法輸入層單元數(shù),在對(duì)計(jì)算機(jī)智能化圖像信息進(jìn)行識(shí)別時(shí),首先需要輸入處理后的圖像特征空間維數(shù),在此基礎(chǔ)上,對(duì)特征分量維數(shù)進(jìn)行提取并確定神經(jīng)單元數(shù),此時(shí)算法輸入層的圖像像素?cái)?shù)和網(wǎng)絡(luò)神經(jīng)元數(shù)為“N”。

2.2.5 隱含層單元數(shù)選擇

BP神經(jīng)網(wǎng)絡(luò)隱層單元輸入間屬于單調(diào)上升的非線(xiàn)性函數(shù),而輸出時(shí)間對(duì)算法隱藏單元的要求是單元數(shù)要合理,如果在基于算法進(jìn)行計(jì)算機(jī)智能化圖像識(shí)別時(shí),由于隱層單元數(shù)較少,此時(shí)BP網(wǎng)絡(luò)層隱層單元的準(zhǔn)確樣本特征和網(wǎng)絡(luò)可能提取及訓(xùn)練不出來(lái),在這種情形下,未訓(xùn)練樣本容錯(cuò)性就會(huì)大大提升,同時(shí)計(jì)算機(jī)智能化圖像就無(wú)法得到有效識(shí)別。相反,若BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)過(guò)多,此時(shí)其整體的結(jié)構(gòu)復(fù)雜度就會(huì)上升,在這種狀況下,如若BP網(wǎng)絡(luò)層隱層單元的網(wǎng)絡(luò)規(guī)模過(guò)于龐大,則隱層單元數(shù)網(wǎng)絡(luò)的訓(xùn)練時(shí)間就會(huì)顯著增多,同時(shí)由于算法訓(xùn)練特征不收斂,則會(huì)導(dǎo)致計(jì)算機(jī)智能化圖像特征空間劃分過(guò)細(xì),如果訓(xùn)練樣本網(wǎng)絡(luò)泛化能力不強(qiáng),從而會(huì)使訓(xùn)練以外樣本識(shí)別率大大降低。

3 實(shí)驗(yàn)仿真及結(jié)論

綜上分析,本研究基于GA-BP四層神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)學(xué)習(xí)算法訓(xùn)練學(xué)習(xí),將隱含層節(jié)點(diǎn)數(shù)分別設(shè)置為6、12、18、24、30,而將輸入/輸出節(jié)點(diǎn)依次設(shè)置為“251”和“4”,然后分別通過(guò)對(duì)比分析不同的訓(xùn)練時(shí)間、訓(xùn)練次數(shù),收集和計(jì)算實(shí)驗(yàn)數(shù)據(jù),對(duì)比結(jié)果發(fā)現(xiàn),通過(guò)GA-BP神經(jīng)網(wǎng)絡(luò)算法智能化識(shí)別的圖像正確率最高為96.7%,而算法識(shí)別正確率最低為86.3%,兩者相差10.4%,由此表明,采用改進(jìn)的GA-BP算法進(jìn)行計(jì)算機(jī)智能化圖像識(shí)別,當(dāng)GA-BP四層神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)設(shè)置為24,機(jī)器學(xué)習(xí)訓(xùn)練時(shí)間為8.49 s,且學(xué)習(xí)次數(shù)達(dá)到81次時(shí),可以最大程度上減少和避免普通算法訓(xùn)練收斂速度緩慢的問(wèn)題發(fā)生,并取得最佳的算法識(shí)別效果。表1所示為神經(jīng)網(wǎng)絡(luò)識(shí)別數(shù)據(jù)。

表1 基于GA-BP算法的計(jì)算機(jī)智能化圖像識(shí)別數(shù)據(jù)

4 結(jié)語(yǔ)

綜上研究,數(shù)字影像技術(shù)已經(jīng)伴隨我國(guó)信息技術(shù)發(fā)展逐步滲透、融合和應(yīng)用到我們?nèi)粘Ｉ詈蜕畹母鱾€(gè)領(lǐng)域,尤其隨著計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)技術(shù)、智能算法等不斷發(fā)展,計(jì)算機(jī)智能化圖像識(shí)別技術(shù)傳輸與存儲(chǔ)已變得十分先進(jìn)。但由于傳統(tǒng)圖像識(shí)別方法具有很大的技術(shù)局限性,因此對(duì)現(xiàn)代化新興計(jì)算機(jī)智能化圖像識(shí)別技術(shù)的研究一直以來(lái)都是國(guó)內(nèi)外學(xué)者廣泛關(guān)注的研究的重點(diǎn)所在。在此背景之下,針對(duì)傳統(tǒng)圖像識(shí)別技術(shù)和算法搜索過(guò)程中存在的訓(xùn)練時(shí)間過(guò)長(zhǎng)、樣本冗余性大、不便于機(jī)器學(xué)習(xí)從而導(dǎo)致算法識(shí)別結(jié)果不精準(zhǔn)等問(wèn)題,本研究在分析問(wèn)題基礎(chǔ)上,提出了一種經(jīng)改進(jìn)的GA-BP四層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,借助GA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行計(jì)算機(jī)智能化圖像識(shí)別,研究分析表明,該算法模型和圖像識(shí)別新方法是高效的。數(shù)據(jù)顯示,基于GA-BP四層神經(jīng)網(wǎng)絡(luò)算法分析識(shí)別下的圖像識(shí)別率為96.7%,而傳統(tǒng)方法識(shí)別率僅86.3%,因此實(shí)驗(yàn)充分表明該方法有效,且能通過(guò)GA-BP算法基于不同類(lèi)型目標(biāo)樣本有效解決圖像識(shí)別失真率高、檢測(cè)率低、穩(wěn)定性差等問(wèn)題。