第十二章 目标识别

一、概述

目标识别是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。一般，我们可将识别能力由高到低分为三个层次：
1、仪器水平：物理识别
2、动物水平：模糊识别
3、人类智能水平：情感识别
其中，物理识别是对接受到的信息实现物理、化学和生物学的量化认识。这种识别的特点是识别内容分别独立互不相关，事件具有精确的重复性，无需经验和智能，完全可以程序化。所以它是最低层次的识别。模糊识别是在大量复杂的信息中识别出有用的部分，即对接收的信息与以往的记忆和经验进行关联认识，剔除无关的信息。

二、图像识别

1、基本知识

样本：一类事物的一个具体体现，对具体的个别事物进行观测所得到的某种形式的信号或表达
模式：表示一类事物，表示对某类事物特征或属性的抽象的描述。由多个描述子组成
模式类：模式所属的类别或同一类中模式的总体成为模式类，是具有某些公共特征的模式的系列，模式类与模式联合使用时，模式表示具体的事物，而模式类则是对这一类事物的概念性描述。

2、基本方式

（1）从待分类的图像中提取能够代表或排除某些类别的特征
（2）根据特征将图像目标分到相应的类别中
其中，图像的分类过程为：
①学习过程：首先分离具有典型性的特征，根据这些特征对每个类别建立独立的描述，建立特征相应的特征空间。
②测试过程：根据输入的样本和特征空间的划分，对全体图像进行分类。

三、图像识别的基本方法

统计分类方法：在对分类图像进行大量统计分析的基础上，找出规律性，抽取能够反映目标特征的统计向量进行识别。
句法结构方法：通过对图像结构的分析，将图像用一些语句来表达，通过符号匹配、语法分析等，实现图像中目标的识别。

1、统计分类方法

对样本x进行分类主要经过两个阶段：
（1）分析阶段（学习阶段）：确定需分类的目标与类别
对每一种类别，选定一组目标样本，然后对样本数据进行分析，形成不同类别目标的特征向量，每个向量构成一个模式。
（2）识别阶段
对待分类图像进行必要的预处理与特征提取，按照上述各类别的特征向量，对提取的特征进行判决分类，确定其归属的类别。

统计分类方法中有一些常见的方法：
方法一：最小距离分类器
假设现有两个模板m1和m2，判断未知模式向量x，判断x与m1和m2距离，如果与m1的距离小于与m2的距离，则x属于w1，否则属于w2。

方法二：相关匹配
用样板子图像直接作为模式，通过子图像与原图像直接进行相关计算，把相关计算结果作为决策函数，相关计算获得最大值的位置就被认为匹配成功。

2、句法结构方法

句法结构方法中的各个环节都围绕着语法的研究展开，定义了字符集、句子、语言，字符组成句子，句子组成语言。常见的方法有匹配形状树法和串匹配法。

（1）匹配形状数
形状数：描述一个对象的边界，结构时，所得到的表达式或特征数，可视为模式串、模式数的一种通用表述。
匹配形状数法是通过两个对象边界的形状数的相似程度来匹配对象。两个区域边界的相似级别k是指相同形状数的最大序号，两个区域边界的形状数的距离D定义为相似级别K的倒数。用不同密度的网格划分边界区域，就会获得不同序数的形状数。
如果使用相似级别k，k越大说明越相似；如果使用相似距离D，D越小说明越相似
（2）串匹配
串匹配是指比较两个边界的串编码的相似程度来进行匹配

设两个区域边界A和B已分别被编码为$A_{1}$,$A_{2}$...$A_{N}$和$B_{1}$,$B_{2}$...$B_{N}$，则当$A_{K}=B _{K}$时就可以说发生了一个匹配。

四、算法介绍

1、CNN

卷积神经网络是目前图像识别用途最广，最简单的深度学习算法。它的工作原理如下图：

 向网络中输入一张图片，接着将它传递到多个卷积和池化层中，最后输出目标所属的类别。

（1）输入图片

（2）将图片分成几个区域

（3）将每个区域堪称单独的图片

（4）把这些图片分成不同的类别

（5）把结果结合在一起，完成。
这种方法的问题是有时需要划分多个区域，导致计算量比较大，为解决这一问题，就有了RCNN。

2、RCNN

在RCNN中，我们会事先创建多个边界框，其主要步骤如下：

（1）预先取一个预训练卷积神经网络。
（2）根据需要检测的目标类别数量，训练网络的最后一层。
（3）对图片中感兴趣的区域重新改造，以让其符合CNN的输入尺寸要求。
（4）得到这些区域后，我们训练支持向量机（SVM）来辨别目标物体和背景，对每个类别训练一个二元SVM。
（5）训练一个线性回归模型，为每个辨识到的物体生成更精确的边界框。