图像识别技术在人工智能中的应用探究-《中国新通信》(2022年16期).docx

龙源版权所有 图像识别技术在人工智能中的应用探究作者：李敏来源：《中国新通信》2022年第16期 摘要：图像识别技术是人工智能实现的关键技术。文章以图像识别技术及人工智能的概念为切入点，简单介绍了图像识别技术的原理及类型，论述了图像识别技术的应用过程，并对图像识别技术在人工智能中的应用进行了进一步探究，希望为图像识别技术在人工智能领域应用优势的发挥提供一些参考。 关键词：图像识别技术；人工智能；SVM 一、引言 近几年，计算机技术飞速发展，人工智能成为炙手可热的新兴产业。图像识别技术是当前人工智能中的先导技术，在图像视频处理方面可以取得接近甚至超越人类水平的效果。通过在人工智能中应用图像识别技术，可以降低目标识别工作的不确定性，为人工智能产业发展提供充足支持。因此，探究图像识别技术在人工智能中的应用具有非常重要的现实意义。 二、图像识别技术及人工智能概述 （一）图像识别技术 图像识别技术（image recognition）主要本质上是通过图像采集终端传感器获取图像数据文件，在数据预先处理过程中实现特征量类别划分与预置特征标注，最终识别图像特征的过程[1]。在长时间发展过程中，图像识别技术完成了从文字识别到数字图像识别、再到物体识别的转变，可以借助计算机技术进行高精度识别，解决人类无法有效识别的问题。 （二）人工智能 人工智能（Artificial Intelligence）是与自然智能相对的概念，展示载体是机器。人工智能特指模仿人类、与人类思维相近或相关的认知功能机器[2]。当前，人工智能在语言识别与合成、自然语言翻译、图像识别方面具有显著进展，如2022年，新发布的OPPO Find X5系列手机ColorOS 12.1系统内预置应用程序DeWiCam可以通过检查无线摄像头固定（或用户触发的流量模式）实时判断隐藏的针孔摄像头。 三、图像识别技术的原理及类型 （一）原理 图像识别技术的原理与人类识别物体的原理类似，主要是经过分类提取物体重要特征，排除多余信息干扰后识别图像。以神经网络图像识别为例，其需要先训练大量被打上标签的图片样本，并对样本进行类别划分。进而将未打标签的图片输入神经网络内，开始预训练。在预训练过程中，经神经元先后提取简单形状（边缘部分）、复杂结构、抽象概念，获得区分不同图像的标准后输出最相似的结果。 （二）类型 从图像识别技术运行过程来看，可以将图像识别技术划分为基于神经网络的图像识别技术、基于非线性降维的图像识别技术。其中基于神经网络的图像识别技术是将传统图像识别方式与神经网络算法融合后形成的人工模拟动物神经网络方式，以遗传算法结合BP神经网络最为常见，可以应用于智能汽车监控等；基于非线性降维的图像识别技术是更高维度的识别技术，可以随图像进行线性降维（线性奇异分析、主成分分析等），进而求解投影图像的数据集合，促使数据集合低维最优。 四、图像识别技术的过程分析 图像识别技术的过程包括以下几个环节： 如图1所示，图像识别技术包括图像输入、预处理、特征提取、分类、匹配几个环节[3]。其中图像输入主要是采集图像并将其输入计算机系统内；预处理又包括图像灰度化、图像增强、图像分割、二值化、细化等几个部分，其中图像灰度化主要是剔除原始彩色图像颜色信息，降低计算量；图像增强主要是消除图像质量缺陷，促使图像结构与原有结构一致；图像分割主要是分离图像区、背景，规避无效区域干扰特征提取速度；二值化特指利用二值图像代替灰度图像；细化则是利用线宽为一个像素的点线图像代替以往不均匀二值图像；特征提取即利用数值标识图像仅有特征，规避虚假特征；图像分类则是在不同类别图像库内存入图像，降低后续计算复杂度与匹配耗时；图像匹配主要是比对原模板图像与前期输入测试图像特征相似性。 五、图像识别技术在人工智能中的应用 （一）图像获取 图像识别技术在人工智能中应用的首个环节是获取相关图像。常用的图像采集方法是在视频监控平台接入若干监测点位，在监测点位布置···试读结束