图像识别算法，图像识别有什么样的方法

本文目录一览

1，图像识别有什么样的方法
2，图像识别的算法
3，基于图像的目标识别都有哪几种方法
4，人脸识别算法的分类
5，图像识别的方法
6，人脸识别的算法

1，图像识别有什么样的方法

算法么？建议你站在巨人的手膀子上，用 opencv 吧，我也研究过图形识别，目标跟踪，感觉都是坑

模式识别的理论与方法，有代表性的图像识别方法主要有以下三类。统计图像识别方法、结构图像识别方法、模糊图像识别方法。

图像识别有什么样的方法

2，图像识别的算法

图片识别是一个很大的领域，识别也要分很多场景的，有的识别纹理、有的识别颜色、有的识别大小等，都不一样的。识别之前也有先进行聚类和分类的。

那个技术很复杂的，叫模式识别具体我就说不清楚了曾经上过课，但是没去过

看看matlab图像识别的书，里面有好多现成的函数可以用

图像识别的算法

3，基于图像的目标识别都有哪几种方法

采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中图像识别

原理上来说一般采用：灰度直方图分析的方法。通常目标和背景的灰度信息区别较大，在直方图中可以看到是两个波峰，图像识别的目标是找到最佳的灰度值作为阈值，阈值两遍的分别是目标和背景。寻找阈值的方法有很多，比如分水岭法、支持向量机、粒子群算法等等。采用灰度直方图的方法会遇到几个问题： 1目标区域包含背景颜色或是背景区域包含目标颜色。导致直接识别的结果产生杂色点或是目标轮廓残缺不全、具有空洞等情况，通常用形态学的开与闭来解决。方法是：将识别出来的区域扩大一定宽度的面积，此步骤会合并部分许多岛礁。然后在退后一定距离，保持原来区域。 2目标与背景灰度信息区别不明显，采用灰度直方图的方法会使得大量背景区域看成目标区域，需要利用其它信息加以区分。比如目标的面积大小，长宽比等。除了基于灰度直方图的，还有基于胡矩和zenik矩判断的方法。胡矩判断法是将目标灰度图像进行处理，得到七个量，将这七个量与模板的灰度图的七个量进行比较，如果差距比较小就认为此图就是原图。胡矩的七个量是模板的特征，具有平移、放大、缩小、旋转不变的特点。但是胡矩只能判定是否为原图，需要较好的图像配准和特征库的建立。从实现来说，用dsp和fpga都能实现图像识别，dsp的性能可能更加适用于图像处理，tms6000，tms9000系列的dsp具有高速图像处理功能。硬件系统一般包括：ccd、图像采集卡、开发板、控制和显示终端。希望对哥们有帮助

基于图像的目标识别都有哪几种方法

4，人脸识别算法的分类

人脸识别法主要集中在二维图像方面，二维人脸识别主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。人脸识别算法主要有：1.基于模板匹配的方法:模板分为二维模板和三维模板，核心思想:利用人的脸部特征规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位,解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。2.基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。3.子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。4.局部保持投影(Locality Preserving Projections，LPP)是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。5.主成分分析(PCA)PCA模式识别领域一种重要的方法，已被广泛地应用于人脸识别算法中，基于PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题。增量PCA算法由新增样本重构最为重要 PCS，但该方法随着样本的增加，需要不断舍弃一些不重要PC，以维持子空间维数不变，因而该方法精度稍差。6.其他方法：弹性匹配方法、特征脸法(基于KL变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法。二维人脸识别方法的最大不足是在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱，识别的准确度受到很大限制，而这些都是人脸在自然状态下会随时表现出来的。三维人脸识别可以极大的提高识别精度，真正的三维人脸识别是利用深度图像进行研究，自90年代初期开始，已经有了一定的进展。三维人脸识别方法有：1.基于图像特征的方法：采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，去作脸部不同特征点(这些特征点是人工的鉴别出来)的局部匹配。2.基于模型可变参数的方法：使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。基于模型可变参数的方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。

5，图像识别的方法

图像识别最基本的方法是基于图像边缘的识别，图像边缘的识别有拉帕拉斯算子，贝塞尔算子，平均值等方法。把边缘识别出来之后通过和数据库（图形或者文字）进行对比扫描，就可以把图像识别出来了。

近些年来，我国的网版印刷机的发展速度较快，网版印刷机制造厂家已达200多家，年工业总产值为3亿多元左右，拥有平网平台式、圆网平台式和滚筒（轮转）式三大门类40多个品种，但仍然存在着企业规模小、水平参差不齐、产品技术含量低、产品质量不够精细等诸多问题。根据我国印刷机械制造业的发展政策要求，应该在现有资源的条件下，本着紧跟世界科技发展潮流，抓紧解决重点核心技术课题，促进印刷机械科技的发展。为此，研究制造高水平、高精度的网版印刷机是未来发展的方向。随着现代工业技术的迅速发展，当今诸多科学领域的研究对象正在不断由宏观转向微观，一些新型产品也开始由宏观型转向微观型。无论是生物工程（细胞操作）、微电子集成电路、光电子器件等都向着超精密加工方向发展。对网版印刷机的精密定位技术的要求也越来越高。当前，国际上发展潮流是采用图像识别系统用于高精度的专用网版印刷机已经很普遍，我国在这方面的研究起步较晚，许多国产网版印刷机还仍然采用传统的机械定位方式，这种机械定位的网版印刷机是无法满足高精度、小尺寸印件的生产需求。但国内生产企业已经开始对此有所认识并追逐先进潮流向前发展，据报道，国内深训市网印巨星机电设备有限公司，跟踪国际上最新电子印刷技术水平，率先开发生产了wj-lcd4040系列平面网版印刷机（专供液晶显示器玻璃印刷），该机全貌见图1所示。该机适应无尘工作环境下对高精密lcd、el、线路板锡膏、软性线路等高精密平面的网版印刷，并经过专业的lcd等工厂两年使用，性能稳定，可以代替进口同类机型。该机定位精度为±0.02mm，印刷套色采用了先进的ccd显示技术，套印对位精度达±0.02mm。该机的研制成功为我国网版印刷机采用先进的图像识别系统，迎合国际先进潮流，发展国产专用网版印刷机具有十分重要的现实意义。本文仅就图像识别系统有关知识介绍如下。一、ccd图像传感器 ccd（chargedcoupleddevice）于1969年在贝尔试验室研制成功，之后由日本开始批量生产，经过30多年的发展历程，从初期的10多万像素已经发展至今天主流应用的500万像素。ccd类型又可分为线阵（linear）与面阵（area）两种，其中线阵应用于影像扫描器及传真机上，面阵型多应用于数码相机、摄录影机、监视摄影机等多项影像输入产品上。目前ccd像元数已从100万像元提高到2000万像元以上，大面阵、小像元（感光小单元简称）的ccd摄像机层出不穷。随着超大规模微加工技术的发展，ccd传感器的分辨率将越来越高。ccd是固态图像传感器的一类，即电荷耦合式图像传感器，固态图像传感器是指将布设在半导体衬底上许多能实现光-电信号转换的小单元，用所控制的时钟脉冲实现读取的一类功能器件。图像传感器作为一种基础器件，因能实现信息的获取、转换和视觉功能的扩展，并能给出直观、真实、层次多、内容丰富的可视图像信息在现代社会中得到了越来越广泛地应用。二、图像识别系统定位的工作原理在现实生活中，人们可以很容易的“看到”一幅画面，但这一个十分“简单”过程并非如此简单。深入研究大致分为：成像在视网膜上；其次是大脑对图像进行认识、理解和分析；最后根据上述一系列处理的结果做出反应。由于图像识别系统基本上是摸仿了人对事物的认识过程，图像识别系统定位是采用了ccd摄像机（如同人的眼睛）通过透镜收集并聚焦来自目标的反射光线，借助必要的光学系统将此光投射于ccd光敏面上的光的空间分布信息转换为按时序输出的电信号—视频图像信号，可以在监视器上重现图像。

6，人脸识别的算法

component analysis，Hidden Markov ModeI(HMM) l 引言近十年来，人脸识别的研究有了很大进展。与指纹、语音等其他人体生物特征相比，人脸识别更加直接、友好，在身份识别，视频检索，安伞舱控等方面有着广泛的应用，是当前模式识别和人工智能领域的一个研究热点【”特征提取在人脸识别中的作用至关重要，如何根据人的视觉机制提取有效的特征一直是模式识别领域的研究热点。早期的研究中有人用Gabor小波对大脑皮层的视觉感知细胞的性态进行建模，即可以把每个视觉细胞看作一个具有一定方向和尺度的Gabor滤波器。当外界刺激(例如图像信号)输入到视觉细2004．08．09收到．2005．01．1】改回中国科学院科技创新基金资助课题胞时，视觉细胞的输出响应就是图像与Gabor滤波器的卷积，而这个输出信号经大脑的进一步处理后形成最后的认知映像。 http://www.jdl.ac.cn/project/faceId/res-identify.htmhttp://www.cqvip.com/qk/91130A/200603/21450873.html(这个网站里面有很多这方面的参考文献)

人脸识别的基本方法　　人脸识别的方法很多，以下介绍一些主要的人脸识别方法。(1)几何特征的人脸识别方法　　几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。(2)基于特征脸(pca)的人脸识别方法　　特征脸方法是基于kl变换的人脸识别方法，kl变换是图像压缩的一种最优正交变换。高维的图像空间经过kl变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。(3)神经网络的人脸识别方法　　神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。(4)弹性图匹配的人脸识别方法　　弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。(5)线段hausdorff 距离(lhd) 的人脸识别方法　　心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。lhd是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，lhd并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，lhd在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。(6)支持向量机(svm) 的人脸识别方法　　近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明svm有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。　　人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。　　在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是基于上述原因，一直到21 世纪初，国外才开始出现人脸识别的商用，但由于人脸识别算法非常复杂，只能采用庞大的服务器，基于强大的计算机平台。如果可以的话，可以te一下colorreco，更好的技术解答。

1、人体面貌识别技术的内容人体面貌识别技术包含三个部分：（1）人体面貌检测面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法：①参考模板法首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；②人脸规则法由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸； ③样品学习法这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；④肤色模型法这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。⑤特征子脸法这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。值得提出的是，上述5种方法在实际检测系统中也可综合采用。（2）人体面貌跟踪面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。（3）人体面貌比对面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。目前主要采用特征向量与面纹模板两种描述方法：①特征向量法该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。②面纹模板法该方法是在库中存贮若干标准面像模板或面像器官模板，在进行比对时，将采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有采用模式识别的自相关网络或特征与模板相结合的方法。人体面貌识别技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判断时间低于1秒。2、人体面貌的识别过程一般分三步：（1）首先建立人体面貌的面像档案。即用摄像机采集单位人员的人体面貌的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹（Faceprint）编码贮存起来。（2）获取当前的人体面像即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。（3）用当前的面纹编码与档案库存的比对即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方式是根据人体面貌脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辩认出某个人。人体面貌的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。