基于机器视觉的图像目标识别方法综述.doc

(完整版)基于机器视觉的图像目标识别方法综述(完整版)基于机器视觉的图像目标识别方法综述(完整版)基于机器视觉的图像目标识别方法综述基于机器视觉的图像目标识别方法综述摘要：机器视觉的图像目标识别方法是目前国内外相关领域学者的研究重点和研究热点。首先就机器视觉的图像目标识别作了简要介绍,然后针对图像目标识别的关键技术，即图像预处理、图像分割和特征提取，总结、归纳了国内外的研究现状，指出各方面存在的问题，最后就机器视觉的图像目标识别技术的发展方向作了展望.关键词：机器视觉；图像目标识别；图像预处理；图像分割中图分类号:TP391.41文献标识码：ADOI：10.15913/j.cnki。kjycx.2016。14.032图像目标识别作为机器视觉中的一个重要研究领域，现已被广泛应用于农业、工业、国防、医疗及日常生活等领域,比如农作物药物喷洒、工业自动化、军事侦查、医疗辅助及交通便利等.由于识别背景、环境及目标的复杂性,机器视觉图像目标的高效、准确识别具有一定的困难。因此,机器视觉如何高效、准确地识别图像目标，已成为近年来国内外学者研究的重点。机器视觉的图像目标识别主要利用模式识别和图像处理,即从大量的图片中学习后提取目标图像,并进行目标分类。与计算机视觉不同，机器视觉的图像目标识别更加注重实时性，所以其自动获取图像与高效分析图像的能力尤为重要。目前，国内外学者对机器视觉的图像目标识别进行了大量研究，但在识别精度、识别时间及抗干扰能力等方面仍然存在不足。本文就机器视觉的图像目标识别方法的关键问题进行探讨，并对其发展的方向进行展望。1图像预处理图像预处理是对机器视觉获取的图像目标进行灰度矫正、噪声过滤等，使得图像目标中有用的信息更容易被提取。图像预处理的流程如图1所示.图像预处理需要对图像进行平移、旋转和缩放等几何规范，使得图像识别能够快速、准确。同时，图像滤波的主要目的是在保持图像特征的状态下进行噪声消除，其可分为线性滤波和非线性滤波。与线性滤波相比，非线性滤波能够在去噪的同时保护图像细节，是目前图像滤波方法中研究的热点。非线性滤波中具有代表性的是卡尔曼滤波和粒子滤波。卡尔曼滤波具有简单性和鲁棒性较好的优点，被广泛应用于机器视觉跟踪.文献[12］利用改进的卡尔曼滤波提高了大气数据同化；文献[13]提出了无极卡尔曼滤波，使得图像更加精确。对于粒子滤波算法，还存在退化现象、样本匮乏及自适应粒子数量选择策略等问题，是目前国内外学者的研究热点。另外，图像边缘是图像目标的一个重要区域，图像边缘检测技术对于图像预处理十分重要。文献[15]给出了多种边缘检测技术在实际应用中选择最优检测技术的方案,文献［16]利用多尺度、多结构的数学形态对图像目标进行了边缘提取,稳定性更高。从国内外的研究现状来看,图像预处理对于机器视觉的图像目标识别具有重要作用,其几何规范、图像滤波和图像边缘检测不断有新的方法被提出，目的在于提高精度和效率。2图像分割图像分割是实现机器视觉图像自动识别与分析的重要问题，其分割质量对后续图像的分析具有重要影响。快速、精确地将特征目标从复杂的图像中分割出来一直是国内外学者的研究重点。图像分割可采用3种途径，即区域分割、边界分割和边界形成分割.图像分割的方法有多种，其中，最常用的分割方法是阈值法，但这种方法适用范围较小、分割精度较差;能量最小化方法在过去30年得到了巨大发展,但是其计算效率偏低；基于图割的图像分割方法能够逼近最优解，计算效率高，但存在不一定收敛的缺点。近年来,随着图像分割要求的精度和效率越来越高，基于混合方法的图像分割技术被提出，即集合多种方法进行图像分割，以获得最优的分割结果。这也成为机器视觉图像分割未来的主要发展方向。3特征提取作为机器视觉图像目标识别的一个中间节点,特征提取对目标识别的精度和速度具有重要影响.从复杂的图像信息中提取有用的特征，对实现机器视觉的目标识别起到决定性的作用。根据不同分类方法，可将图像特征分为多种类型，例如可根据区域大小分为全局特征和局部特征，根据统计特征分为矩特征、轮廓特征及纹理特征等。与全局特征相比，用局部特征在复杂的背景下对图像目标进行描述非常高效，常用的检测方法有稀疏选取、密集选取和其他方法选取.从现有的研究成果来看，这3类方法都有一定的不足――对图像目标背景依赖性大,因此,采用多种描述子进行机器视觉的图像目标识别是一种发展趋势。对于图像特征提取，不同的描述子不断被提出，其中，GLOH(Gradientlocationorientationhistograms）和SIFT（Scaleinvariantfeaturetransform)描述子性能稳定，应用较为广泛；SURF（Speeded-uprobustfeatures）描述子在图像目标特征明显时能够快速识别，应用效果较好。除此之外，