圖像識別是識別圖像或視頻中的目標(biāo)或特征的過程。這項技術(shù)已應(yīng)用于多個領(lǐng)域，如缺陷檢測、醫(yī)學(xué)成像和安全監(jiān)控。

圖像識別的重要性

圖像識別不僅可以加速處理繁瑣的任務(wù)，而且還可以比人工圖像檢查更快速或更準(zhǔn)確地處理圖像。圖像識別是應(yīng)用于諸多領(lǐng)域的關(guān)鍵技術(shù)，也是深度學(xué)習(xí)應(yīng)用的主要驅(qū)動因素，如：

視覺檢查：在制造過程中識別零部件是否有缺陷，可以快速檢查裝配線上的數(shù)千個零部件。

圖像分類：根據(jù)圖像內(nèi)容對圖像進(jìn)行分類。這在電子商務(wù)領(lǐng)域的圖像檢索和推薦系統(tǒng)等應(yīng)用中特別有用。

自動駕駛：識別圖像中的停車標(biāo)志或行人的能力對于自動駕駛應(yīng)用至關(guān)重要。

機器人：機器人可以利用圖像識別來識別目標(biāo)，并通過識別路徑上的位置或目標(biāo)來增強自主導(dǎo)航。

圖像識別在零部件缺陷視覺檢查中的應(yīng)用。

圖像識別是支持這些應(yīng)用的核心技術(shù)。它可以識別圖像中的目標(biāo)或場景，然后利用這些信息做出決策。而它做出的決策將作為更大的系統(tǒng)的一部分。圖像識別將會幫助這些系統(tǒng)增強感知能力，其本質(zhì)是通過為系統(tǒng)提供洞察力來支持其做出更好的決策。

圖像識別與目標(biāo)檢測

圖像識別和目標(biāo)檢測這兩項技術(shù)十分相似，經(jīng)常會一起使用。圖像識別用于識別圖像中的目標(biāo)或場景，而目標(biāo)檢測用于查找圖像中這些目標(biāo)的實例和位置。

常見的目標(biāo)檢測技術(shù)有 Faster R-CNN 和 YOLOv3。

圖像識別的工作原理

圖像識別使用的方法

圖像識別使用了很多方法，包括機器學(xué)習(xí)和深度學(xué)習(xí)方法。使用哪種方法取決于具體應(yīng)用，但一般來說，問題越復(fù)雜，需要探索深度學(xué)習(xí)方法的可能性就越高。

使用深度學(xué)習(xí)進(jìn)行圖像識別

圖像識別的深度學(xué)習(xí)方法可能涉及使用卷積神經(jīng)網(wǎng)絡(luò)，從示例圖像中自動學(xué)習(xí)相關(guān)特征，然后在新圖像中自動識別這些特征。

圖像識別的典型深度學(xué)習(xí)工作流：

準(zhǔn)備訓(xùn)練數(shù)據(jù)：從一組圖像入手，將其匯集為不同的關(guān)聯(lián)類別。這其中可能還包括預(yù)處理步驟。其目的是讓圖像更加一致，從而得到更準(zhǔn)確的模型。

創(chuàng)建深度學(xué)習(xí)模型：雖然您可以從頭構(gòu)建深度學(xué)習(xí)模型，但最好的方法可能是從預(yù)訓(xùn)練模型入手，并將其用作應(yīng)用的起點。

訓(xùn)練模型：模型訓(xùn)練就是將測試數(shù)據(jù)呈現(xiàn)給模型。之后，模型會多次遍歷數(shù)據(jù)，并自動學(xué)習(xí)與圖像相關(guān)的最重要特征。隨著訓(xùn)練的繼續(xù)，模型將學(xué)習(xí)更復(fù)雜的特征，直到能夠準(zhǔn)確地辨別訓(xùn)練集中的圖像類。

測試數(shù)據(jù)：測試模型前所未見的新數(shù)據(jù)，了解模型對圖像的識別情況。如果結(jié)果未能達(dá)到預(yù)期，請重復(fù)執(zhí)行以上四個步驟，直到準(zhǔn)確度令人滿意。

~~ 小 Tips ~~

深度學(xué)習(xí)方法常用于圖像識別，因為這些方法可以提供高度準(zhǔn)確且可靠的結(jié)果。深度學(xué)習(xí)往往適用于處理大量訓(xùn)練數(shù)據(jù)，而遷移學(xué)習(xí)等方法可以簡化圖像識別工作流。Deep Learning Toolbox 提供了一個框架，用于通過算法、預(yù)訓(xùn)練模型和 App 設(shè)計和實現(xiàn)深度神經(jīng)網(wǎng)絡(luò)。

使用機器學(xué)習(xí)進(jìn)行圖像識別

圖像識別的機器學(xué)習(xí)方法就是從圖像中識別并提取關(guān)鍵特征，然后將其用作機器學(xué)習(xí)模型的輸入。

訓(xùn)練數(shù)據(jù)：您可以先從一組圖像入手，將其編譯為關(guān)聯(lián)的類別。

提取特征：選擇每個圖像中的相關(guān)特征。特征提取算法可能會提取可用于區(qū)分?jǐn)?shù)據(jù)類的邊緣或角特征。

創(chuàng)建機器學(xué)習(xí)模型：這些特征會添加到機器學(xué)習(xí)模型中，再由機器學(xué)習(xí)模型將其分為各自不同的類別，然后使用這些信息對新目標(biāo)進(jìn)行分析和分類。

圖像識別的機器學(xué)習(xí)工作流。

您可以使用各種機器學(xué)習(xí)算法和特征提取方法。這些算法和方法可有多種組合以供創(chuàng)建準(zhǔn)確的目標(biāo)識別模型。

使用 HOG 特征和 SVM 分類器分類數(shù)字的圖像識別機器學(xué)習(xí)示例

~~ 小 Tips ~~

使用機器學(xué)習(xí)進(jìn)行目標(biāo)識別可以靈活地選擇最佳的特征和分類器組合以用于學(xué)習(xí)。這樣，便可以最少的數(shù)據(jù)獲得準(zhǔn)確的結(jié)果。Statistics and Machine Learning Toolbox 提供了一系列函數(shù)和 App，可用于數(shù)據(jù)描述、分析和建模。

圖像識別：深度學(xué)習(xí)與機器學(xué)習(xí)

如何知道何時使用深度學(xué)習(xí)，何時使用機器學(xué)習(xí)來進(jìn)行圖像識別？

從較高層面講，二者區(qū)別在于機器學(xué)習(xí)需要手動選擇特征，而深度學(xué)習(xí)可以自動學(xué)習(xí)特征。

使用傳統(tǒng)圖像處理方法進(jìn)行圖像識別

除了深度學(xué)習(xí)和機器學(xué)習(xí)之外，很多經(jīng)典的圖像處理方法在處理某些應(yīng)用的圖像識別方面卓有成效。圖像處理方法往往非常適用于“基于像素”的識別應(yīng)用，如：

基于顏色的圖像識別：顏色通常可以為圖像識別提供良好的特征。色調(diào)、飽和度和明度 (HSV) 或紅色、綠色、藍(lán)色 (RGB) 等特征有助于深入了解圖像。

模板匹配：這種方法使用小圖像或模板在較大的圖像中查找匹配區(qū)域。

圖像分割和斑點分析：這種方法使用簡單的目標(biāo)屬性，如大小、顏色或形狀。

~~ 小 Tips ~~

通常，如果目標(biāo)可以使用圖像分割等簡單方法進(jìn)行識別，則最好先使用這種方法。您有的可能是功能強大，不需要成百上千訓(xùn)練圖像的解決方案，也可能是復(fù)雜的解決方案。不管怎么樣，Image Processing Toolbox 都有您需要的所有工具。

使用 MATLAB 進(jìn)行圖像識別

MATLAB 簡化了圖像識別中較為困難的任務(wù)。

1. 圖像標(biāo)注 App：

經(jīng)過清理和預(yù)處理的數(shù)據(jù)可確保圖像識別有更大的成功機會。使用圖像標(biāo)注器，可以自動執(zhí)行圖像裁剪和標(biāo)注過程。

以交互方式標(biāo)注圖像和視頻。

2. 探索深度學(xué)習(xí)和機器學(xué)習(xí)算法：

一開始時，您可能并不清楚到底是使用深度學(xué)習(xí)還是機器學(xué)習(xí)方法。MATLAB 讓您可以嘗試各種方法組合。探索深度學(xué)習(xí)預(yù)訓(xùn)練模型或機器學(xué)習(xí)分類算法。

您可以使用 ONNX（開放式神經(jīng)網(wǎng)絡(luò)交換）的導(dǎo)入和導(dǎo)出功能通過 TensorFlow、Keras、PyTorch 和 Caffe2 等框架與網(wǎng)絡(luò)和網(wǎng)絡(luò)架構(gòu)進(jìn)行互操作。

與基于 Python 的框架集成。

3. 自動為部署生成代碼：

最終，您的算法可能需要在桌面環(huán)境之外應(yīng)用。MATLAB 提供了代碼生成工具，可用于在任何位置部署圖像識別算法：Web、嵌入式硬件或產(chǎn)品級服務(wù)器。

創(chuàng)建算法之后，可以使用自動化工作流，通過 GPU Coder 生成 TensorRT 或 CUDA 代碼，以用于硬件在環(huán)測試。生成的代碼可與現(xiàn)有工程集成，并可用于在桌面 GPU 或嵌入式 GPU（如 NVIDIA Jetson 或 NVIDIA Drive 平臺）上驗證目標(biāo)檢測算法。

審核編輯：湯梓紅