模式识别及其在计算机视觉中的实现研究

郭宏博

（延安大学 陕西省延安市 716000）

1 概念界定

1.1 模式识别概念

模式识别更倾向于视觉逻辑，在计算机视觉中才能发挥应有作用，即模式识别是一种将环境与客体统称为模式，再通过计算机获取模式信息，将信息视作样本，分析获取样本特征后对样本进行分类，最后根据分类情况得到识别结果，以数控刀具为例，模式识别中刀具所处的环境与刀具本身组成了待识别模式，通过计算机可获取刀具环境温度、刀具规格，围绕刀具磨损问题，不断获取刀具环境温度与刀具规格的信息，如果信息没有超过标准值，就将两组信息归类为“正常”项，反之则归类为“异常”项，因此根据分类项目可知刀具磨损是否超过极限，若超过就要及时更换，说明模式识别了当前信息，给出了准确的结果。模式识别的系统一般由支持向量机、图像处理、计算机接口等组成，其中支持向量机是核心，能解决模式识别中的回归问题，而图像处理则负责采集图像信息，图像信息的形式众多，包括文字、图片等，这些信息可以给向量机提供图像坐标，因此向量机能够获取坐标特征，随即进行分类，而特征识别后的信息会通过计算机结构进入计算机，实现信息与计算机视觉的对接。总体而言，模式识别是计算机视觉的逻辑支撑，运作流程一般可分为样本采集、样本预处理、特征分析三个环节，结合计算机技术能对信息进行识别。另外，模式识别在实际应用中能够根据现实需求构成两种模式，其一是监督模式，该模式要对目标进行实时监督，获取信息，以便形成信息对比，上述中提到的数控刀具案例就采用的是监督模式，其二是非监督模式，该模式只进行一次信息采集，一般应用于目标位置、信息项目有限的情况下[1]。

1.2 计算机视觉概念

计算机视觉是一个相对抽象的概念，其中“视觉”实际上是指计算机获取信息，并根据信息识别结果对事物进行认知的一个过程，而这个过程与人类视觉与大脑处理信息的过程非常相似，即人通过知识视觉神经网络能够采集到大量信息，信息将被传输到大脑，大脑结合记忆、认知等对信息进行识别，故人才能确认事物具体情况。计算机视觉的实现涉及到多个学科，诸如计算机科学和工程、信号处理、应用数学、统计学等，通过这些技术构建计算机视觉系统，就能让计算机代替人的双眼与大脑对事物进行认知，在认知过程中计算机视觉可以分为前、中、后三个阶段才能实现识别与认知，其中前阶段的视觉被称为“低层次视觉”，用于获取二维图像信息，诸如图像的亮度及亮度变化、结构组成、位置分布、几何形状等；中阶段的视觉被称为“中间层次视觉”，主要以主体为中心形成坐标系，通过观察等方式可得事物的表面方向、深度值和不连续轮廓等信息；后阶段的视觉被称为“高层次视觉”，结合以主体为中心的坐标系，获取体积基元、面积基元以及两大基元构成的模块化多层次，这些信息可用于空间组织形式的描述中。另外在计算机技术层面上，“低层次视觉”主要负责处理原始图像，功能主要借助图像处理技术、算法来实现，诸如图像滤波、图像增强、边缘检测、线条检测、角点检测等，而“低层次视觉”的信息结果将给后两个层次视觉提供支撑，后两者视觉信息均来源于“低层次视觉”原始信息。

2 模式识别应用方式

采用相关方法可以在计算机视觉中实现模式识别，而要充分发挥模式识别作用，在模式识别实现之前还要了解其具体应用方式。目前，比较常见的模式识别方式为：结构模式识别、统计决策、人工智能三种方式，具体如下：

2.1 结构模式识别

结构模式识别的特点是根据信息结构来识别信息，常用于文字翻译等领域，过程中可根据语法结构对文字进行识别，可知语义，故可得准确翻译结果。结构模式识别需要先确认识别目标，再将目标结构拆分，得到若干组成部分，随即依照语法逻辑进行匹配度分析，如果匹配分析结果显示目标结构与语法逻辑结构一致，则输出结果，反之更换语法逻辑结构继续进行匹配度分析，直到找到匹配结果。值得注意的是，结构模式识别存在一定的缺陷，其不能应用于非规则结构的计算机视觉应用中，原因在于非规则结构具有不可预测性，因此无法预先构筑语法逻辑或其他结构，故无法识别。

2.2 统计决策

统计决策是典型的数理模式识别方式，应用中主要以概率、数据统计结果作为支撑，能通过各种参数法或非参数法对信息识别，其中较具代表性的方法是贝叶斯决策下的参数方法，能够有效降低决策结果的误差性，原因在于统计决策能够根据实际概率条件、概率密度去衡量模式识别过程、结果的精度，如果精度不足就会进行调整。统计决策常用于复杂图像分割识别中。

2.3 人工智能

目前，人工智能已经与计算机应用相结合，围绕计算机技术人工智能可起到多种作用，其中就包括了模式识别，即人工智能的核心是神经网络系统，该系统是借助软件、硬件模拟人类神经系统运作方式得出的，能建立对应的神经元节点，各节点依照标准关系结合可形成神经网络，在该网络基础上采用机器学习方式提高模式识别准确性，后依照统计方法去分析模式识别目标类型、概率分布，判断各信息之间的关联度，这样能够得出一个独立的经验模型，而模型将被保存在知识库中，下一次遇到相同信息就能依照对应模型直接识别。总体上，人工智能综合了多种模式识别方式，功能性更强、应用范围更加广泛，诸如可以通过人工智能建立网络安全防护系统，其安全防护力度非常高。

3 模式识别的实现方法

3.1 总体框架

模式识别的总体框架见图1。

图1：模式识别总体框架

根据图1，信息采集层是物理层，一般由各种具备信息采集能力的设备组成，随后信息会被导入信息处理层，接受信息预处理，目的是去除重复信息，以保障后续处理效率。预处理后信息将通过计算机结构进入支持向量机进行特征分析，依照分析结果将特征完全一致或高度相似的信息分为一类，根据分类结果即可识别信息，最后输出结果[2]。

3.2 实现方法

以图像信息的监督模式为例，模式识别实现方法大体可以分为四个步骤，具体如下。

3.2.1 信息采集层

信息采集层的设备安装比较简单，一般选择若干数量的图像采集装置，再将其安装在正确位置即可，图像采集装置泛指摄像设备等，此处不多加赘述。但除此以外，还要使用图像识别技术进行信息采集，即图像识别技术依托于物理学、统计学等理科学科而诞生的一项技术，主要功能是对采集所得图像信息进行储存与识别，应用中借助摄像设备不间断拍摄图像，获得原始图像信息，通过信息可得图像的特征与变化，这样就完成了信息采集。在图像识别技术中主要的计算方法为空域算法：该算法主要是以某个空间域为基础，在域内对数字图像进行处理，主要原理是对图像像素进行灰度变换，或者对图像中的小区域模板进行空域滤波处理，这样能初步识别图像，为后续环节做好准备。

3.2.2 信息处理层

本文主要采用微机技术来构建信息处理层，即使用微机技术建立微机图像处理系统，通过微机扩展槽的带帧存储器采集卡读取计算机内存中的信息，随后对读取所得信息进行处理，除了后的图像信息信息会被送回图像帧存储器[3]。信息处理层的实现方法虽然简单，但出于使用价值考虑，在该层实现后必须确立对应的流程逻辑，一般包括：第一图像颜色空间变换，因为实际情况中多数图像都是彩色的，所以在图像信息处理中必须重视颜色空间的变换，以比较常见的RGB图像为例，预先经过灰度处理后必须着手建立RGB模型，该模型以三色源光谱为基础（红、绿、蓝三色），任何颜色都将在光谱中显示，且黑色对应原点、白色对应定点，可以在笛卡尔坐标系统下对红、绿、蓝三色进行分析，获取三原色与图像信息结合后各原色中其他颜色的比例，这样就能对图像的基础特征进行识别，如果发现特征完全一致或高度像素的图像信息，就会选择删除其中一条图像信息，若有需要可以手动恢复。

3.2.3 支持向量机

支持向量机是当前新兴的一种数据挖掘方法，可有效解决模式识别中的诸多问题，包括时间序列分析、分类、判别分析等，这些问题分别属于回归问题与识别问题，在以往数据挖掘方法中这些问题造成了较严重的困扰，因此支持向量机根据优势。本质上支持向量机是一般化线性分类器，具有能同时实现最小化经验误差、最大化几何边缘区，这也是支持向量机的一大特点。关于支持向量机的实现方法，首先将预处理后图像的输入向量、输出向量、内积导入向量机系统，其中输入向量为Pi，是13维特征向量、输出向量是Ti，是13维目标向量，两者结合可与13种不同的图像目标对应，其次假设每一种图像的目标值是Si，特征值为(xi1, xi2,…, xi13)，其中x是图像目标的序号，则目标值与特征值之间的关系为Si=f(xi1,xi2,…, xi13)。在这层关系下通过支持向量机训练可以得到具体关系，训练中先提取若干样本构成训练集，后提取数量相同的样本作为测试集，结合径向基核函数获取核宽度参数P、容量误差参数C，随即从训练集中导出支持向量α，最后选择训练结果中数据误差最小的一组作为标准组。本文参照以上方式，选择了7个象棋棋子图像为目标进行了训练，结果见表1，根据表中结果可知支持向量机能够获取棋子图像的汉字。

表1：支持向量机图像特征提取结果

3.2.4 信息分类

支持向量机通过训练可得图像目标的特征值，可以看出不同图像之间的特征值完全不同，差值较大，因此其中没有重复的数据，故直接依照向量机训练结果可以对信息进行分类，即依照表1特征值，每个象棋棋子图像各为一类，但如果存在特征值完全相同或高度相似的情况，则相关图像为一类。

4 结语

综上，计算机视觉是计算机应用的关键节点，目的是让计算机识别信息，并作出对应决策，但要实现这一点模式识别非常重要，可以说缺少模式识别计算机视觉就难以成型。着眼于这一点，从模式识别的基本概念着手，相关人员要了解其具体应用方式，以便结合实际需求选型，再使用对应方法在计算机视觉中实现模式识别，全面开发计算机应用方式。