目标检测和目标识别区别是啥目标识别原理

转载

码海舵手之心 2024-04-27 09:13:04

文章标签 目标检测和目标识别区别是啥图像识别类方法子图 文章分类 计算机视觉人工智能

文章目录

1、概述
2、图像识别

2.1 名词解释
2.2 基本方式

3、图像识别的基本方法

3.1 统计分类方法
3.2 句法结构方法

4、算法介绍

4.1 CNN
4.2 RCNN
4.3 SPP-net
4.4 Fast RCNN

5 总结

1、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。

2、图像识别

2.1 名词解释

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。

2.2 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。

3、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。

3.1 统计分类方法

对样本x进行分类主要经过两个阶段：
● 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。
● 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。

下面我们来了解一下决策论法：
设模式向量x，对M个模式类 $目标检测和目标识别区别是啥目标识别原理_目标检测和目标识别区别是啥$ ，寻找M个决策函数 $目标检测和目标识别区别是啥目标识别原理_子图_02$ ，若模式x属于类 $目标检测和目标识别区别是啥目标识别原理_子图_03$ ,则 $目标检测和目标识别区别是啥目标识别原理_图像识别_04$ ; $目标检测和目标识别区别是啥目标识别原理_子图_05$
换句话说，若一个未知的模式x属于第i个模式类，把x代入所有判别函数，di(x)的值最大。
决策边界:
对于模式x,如果 $目标检测和目标识别区别是啥目标识别原理_目标检测和目标识别区别是啥_06$ ，则x被称为Wi与Wj的决策边界，通常用一个单一的函数来标识两个类之间的决策边界，定义为：
$目标检测和目标识别区别是啥目标识别原理_图像识别_07$
$目标检测和目标识别区别是啥目标识别原理_目标检测和目标识别区别是啥_08$
$目标检测和目标识别区别是啥目标识别原理_图像识别_09$

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。
存在问题：
1)在边界处将失去准确性，其误差与子图像的尺寸成正比。
2)相关函数对振幅的变化太敏感

方法三：贝叶斯分析

贝叶斯分析包括：贝叶斯决策方法，贝叶斯分类器，贝叶斯估计理论，贝叶斯距离等。

贝叶斯公式：设有N个互不相容的事件b1,b2,…bn.事件a发生条件下事件bi发生的概率为 $目标检测和目标识别区别是啥目标识别原理_子图_10$

贝叶斯分类法：设有M类图像B1,B2,…Bi对事件X,若P(B1/X)>P(B2/X)，则X属于B1类，否则属于B2类。

那么下面我们来看一个对水果分类的例子，

目标检测和目标识别区别是啥目标识别原理_类方法_11

#水果数据

datasets = {'banala':{'long':400,'not_long':100,'sweet':350,'not_sweet':150,'yellow':450,'not_yellow':50},
        'orange':{'long':0,'not_long':300,'sweet':150,'not_sweet':150,'yellow':300,'not_yellow':0},
        'other_fruit':{'long':100,'not_long':100,'sweet':150,'not_sweet':50,'yellow':50,'not_yellow':150}
         }

#计算水果总数

def count_total(data):
   count = {}
   total = 0
   for fruit in data:
     #因为水果要么甜要么不甜，可以用 这两种特征来统计总数
          count[fruit] = data[fruit]['sweet'] + data[fruit]['not_sweet']
          total += count[fruit]
    return count,total

#计算每种水果出现的概率

def cal_base_rates(data):
   categories,total = count_total(data)
   cal_base_rates = {}
   for label in categories:
         priori_prob = categories[label]/total
         cal_base_rates[label] = priori_prob
   return cal_base_rates

#计算在已知水果种类时个特征的概率

def likelihold_prob(data):
    count,_ = count_total(data)
    likelihold = {}
    for fruit in data:
       attr_prob = {}
       for attr in data[fruit]:
          attr_prob[attr] = data[fruit][attr]/count[fruit]
       likelihold[fruit] = attr_prob
     return likelihold

#判定水果种类

class navie_bayes_classifier:
'''初始化贝叶斯分类器,实例化时会调用__init__函数'''
  def __init__(self,data=datasets):
      self._data = datasets
      self._labels = [key for key in self._data.keys()]
      self._priori_prob = cal_base_rates(self._data)
      self._likelihold_prob = likelihold_prob(self._data)
      self._evidence_prob = evidence_prob(self._data)

#下面的函数可以直接调用上面类中定义的变量
  def get_label(self,length,sweetness,color):
      '''获取某一组特征值的类别'''
      self._attrs = [length,sweetness,color]
      res = {}
      for label in self._labels:
          prob = self._priori_prob[label]#取某水果占比率
          #print("各个水果的占比率：",prob)
          for attr in self._attrs:
              #单个水果的某个特征概率除以总的某个特征概率 再乘以某水果占比率
              prob*=self._likelihold_prob[label][attr]/self._evidence_prob[attr]
          res[label] = prob
      return res

3.2 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。

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
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 $目标检测和目标识别区别是啥目标识别原理_子图_12$ 和 $目标检测和目标识别区别是啥目标识别原理_类方法_13$ ,则当 $目标检测和目标识别区别是啥目标识别原理_类方法_14$ 时我们说发生了一个匹配。设A和B匹配总数为M，则A和B的相似度为 $目标检测和目标识别区别是啥目标识别原理_图像识别_15$

4、算法介绍

接下来，带大家来了解一下现在目标识别时常用的算法。

4.1 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：

目标检测和目标识别区别是啥目标识别原理_类方法_16

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。

输入图片
将图片分成几个区域
将每个区域堪称单独的图片
把这些图片分成不同的类别
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。

4.2 RCNN

在RCNN中，我们会事先创建多个边界框，其主要步骤如下：

预先取一个预训练卷积神经网络。
根据需要检测的目标类别数量，训练网络的最后一层。
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。
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。
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。

目标检测和目标识别区别是啥目标识别原理_图像识别_17

因为在RCNN中对每个图像都要提取大量的单独区域，并对每个区域都要进行特征识别，最后的结果是RCNN的速度很慢。为了解决这一问题，SPP-net出现了。

4.3 SPP-net

目标检测和目标识别区别是啥目标识别原理_图像识别_18

SPP-Net在最后一个卷积层后，接入了金字塔池化层，使用这种方式，可以让网络输入任意的图片，而且还会生成固定大小的输出。

SPP-net与RCNN最大的区别是在CNN特征提取这一步，在SPP-net中将整张待检测的图片输入CNN中，进行一次性特征提取，得到feature maps，然后在feature maps中找到各个选框的区域，再对各个候选框采用金字塔空间池化，提取出固定长度的特征向量。而R-CNN输入的是每个候选框，然后在进入CNN。

虽然SPP-net贡献很大，但其实并没有解决RCNN中所存在的问题，于是，fast RCNN出现了。