计算机智能化图像识别技术研究综述

高东阳

武警指挥学院  天津 300100

摘要：计算机智能化图像识别技术与人们的生活密切相关，便于图像的传输、处理、识别等，并做到对图像信息的真实保存。为此，应用计算机智能化图像识别技术可帮助人们快速获取自身需求的信息，进而为决策判断提供有力依据。近年来，计算机智能化图像识别技术已经在众多行业领域得到推广应用，并表现出极高的应用价值。但在实际应用中也表现出一定的局限性，有待进一步研究。本文对计算机智能化图像识别技术进行研究分析，以提升其应用效果。

关键词：计算机智能化；图像识别技术；策略

引言

随着数字化计算快速发展，信息技术与智能化计算机图像识别技术得到了融合，在此背景下，神经网络算法在图像识别领域也发挥了重要作用。当下，计算机图像识别在智能算法领域得到广泛应用，从本质上来讲，它是一种融合了智能化计算机技术和现代图像识别、处理技术的新兴数字影像技术，该技术经过全面的技术革新，已经被广泛应用图像识别与数字化技术处理等领域。

1图像识别方法

随着数学算法的持续发展，图像分类识别技术也在不断进步。目前，图像分类识别主要可以划分为三个主要类别，即传统图像识别、机器学习图像识别和深度学习图像识别。

传统的图像识别常见的方法包括模板匹配和特征点匹配等。模板匹配是通过创建一个典型的参考模板来识别图像的一种方法。一旦确定了这个模板，就可以将其用于比较待分类的图像，并根据相似度最高的图像类型输出结果。然而，这种方法需要大量的模板，计算量较大，且稳定性较低，因此在目标物体发生多尺度变化或光线变化的情况下，其适应性较差。

机器学习图像识别常见的方法包括神经网络和支持向量机等。神经网络，一种基于样本数据的图像分类与识别手段，其本质上可以被视为一种等价关系。这种算法的构建主要包括三个部分：输入层、隐藏层以及输出层。神经网络的学习过程旨在从原始图像的繁复信息中提取出相似的图像特性，然后经过隐藏层的层层传递，从而实现精确的图像分类。相比于其他统计识别算法，它能有效地解决其中的复杂性和模型选择问题，并以非线性建模的方式为图像分类提供了极大的便利。尽管这个方法的结构相对简单，但需要人为设定一些参数，其泛化能力有限，因此可能会出现过度拟合或不足拟合的问题。

深度神经网络是我们的关键工具，负责处理和预测数据。该方法依赖于海量的训练样本以及复杂的网络架构，以实现高效的图像识别。其在各种场景如图像分类、目标定位、语义分割等方面都展现出了强大的实用性，并以其卓越的识别精度和性能赢得了广泛认可。深度学习技术不仅能处理高级的、涉及语义层次的任务，而且可以处理那些仅能以抽象方式描述的图像识别、检测、风格和创新问题。

2计算机智能化图像识别技术要点

2.1拓展生产生活中的应用领域

随着大数据技术、虚拟现实技术的不断应用，将诸如影像处理技术、视频传输技术等先进技术引入至计算机智能化图像识别技术中，很大程度上推动了虚拟现实领域的发展。除此之外，随着网络信息技术的进一步发展，计算机智能化图像识别技术将能够在身份识别、汽车、农业、医学等领域大有作为。因而，今后计算机智能化图像识别技术的发展，应侧重于提升数据处理效率、开展多维度识别等方面，尽可能满足人们提出的多样化需求。再者，在该项技术实际发展中，还应推动计算机硬件的简化发展，加强人机交互，以降低在实际生产中的操作误差，实现安全、自动、规范的生产，提高生产质量、效率。

2.2处理计算机智能化图像数据

在计算机智能化图像数据处理过程中，分别需要经过三个不同的步骤，一是选择计算机智能化图像的基本特征，二是抽取计算机智能化图像的基本特征，三是对计算机智能化图像的基本特征信息进行预处理。经过图像数据预处理之后，可以有效改善计算机智能化图像的质量，与此同时，还能够通过图像数据处理，彻底消除因传输介质所引起的图像退化现象。在这几个环节中，抽取计算机智能化图像基本特征的实质就是有效提取出计算机智能化图像的图像性基本元素和图像特性数字值，而在选择图像基本特征时，首先需要抽取特征元素，然后方能选择特征原图像进行图像智能分类识别。

2.3改进的GA-BP算法

在算法领域，BP算法往往具有良好的自学习性，但是其收敛速度较差，尤其在基于BP算法进行梯度下降计算时，机器学习训练时长较长，且非常容易陷入局部极小的困境之下。对此，本研究为了改进上述BP算法缺陷，将传统BP算法模式与GA遗传算法模式相结合，形成了经改进的GA-BP算法，该算法模式能够有效避免以往算法模式所带来的未成熟收敛算法缺点，同时还可进行全局最优解搜索与收敛，相比于普通的BP算法而言，经过改进的GA-BP算法基于神经网络算法思想，可使遗传算法的鲁棒性显著得到增强，同时还可以充分发挥神经网络算法的非线性学习能力、收敛速度与映射能力。

改进的GA-BP算法采用遗传算法思想进行神经网络权值学习，首先确定GA-BP算法的神经网络结构，然后列出遗传算法神经网络神经元之间的连接关系，在此基础上，通过连接权编码，分别形成实数码串个体与群体，与此同时，进行算法优化计算分析，最后基于遗传算法对最优个体进行解码处理，由此有效确定神经网络具体权值。

2.4在身份识别系统中的应用

如今，计算机智能化图像识别技术在身份识别系统中的应用主要侧重于步态身份识别。这一识别功能指的是基于个体行走姿态，以对其身份予以识别确认。在当前推广应用的一系列身份识别技术中，包括指纹识别、人脸识别等，步态身份识别是唯一无需识别目标配合，同时可开展远距离识别的技术。并且在实际应用中，识别目标不易于伪装。因此，将其引入安保领域可很大程度上推动安保系统的发展完善。目前，步态身份识别技术属于一项新型技术，呈现出良好的发展前景。在步态身份识别技术实际应用中，其应用过程主要可分成两部分，分别为登记和识别。其中，登记环节主要是对个体步态信息进行采集，在采集图像信息后可利用计算机智能化图像识别技术对其开展步态分析及存储。识别环节则是计算机系统再次获取相关图像信息后可迅速与存储的图像信息开展比较研究，从而进行识别。不论是登记环节，还是识别环节，计算机系统都可通过深度相机或是普通光学摄像机对步态进行拍摄采集。采集目标只需要按照固定方向行进就能够保证较高的识别率。不过就识别精度来说，步态身份识别还难以与指纹识别、人脸识别等相比拟。因此，实际应用中，在计算机智能化图像识别技术支持下的步态识别现阶段只适用于对目标对象的初级筛选，或是应用于对少部分目标对象的识别。

结束语

综上所述，随着计算机网络技术的迅猛发展，计算机智能化图像识别技术在我国众多领域中均表现出一定的应用价值。同时伴随各行各业的发展深入，对该项技术的精度、效率也提出了越来越严格的要求。对此，应把握计算机智能化图像识别技术的特征优势，结合不同行业的发展要求，加大对该项技术的研发力度，致力于能够实现三维甚至更多维图像的识别处理，促进计算机智能化图像识别技术的可持续发展，进一步使其在实际应用中发挥更大的价值。

参考文献

[1]蒋荣军．基于大数据的数字图像识别技术应用［J］．无线互联科技，2022，19(22):68－70．

[2]汪勇．人工智能算法下图像识别技术的应用［J］．电子技术与软件工程，2022(21):180－183．

[3]李玉臣．基于OpenCV的计算机图像识别技术研究与实现［J］．电脑编程技巧与维护，2022(11):147－149，169．