前言

圖形識(shí)別(Pattern recognition，或稱模式識(shí)別)，為透過(guò)計(jì)算機(jī)運(yùn)算技術(shù)方法達(dá)到圖形的自動(dòng)判讀之技術(shù)。影像在計(jì)算機(jī)中以數(shù)組的形式儲(chǔ)存與運(yùn)算，如三原色光模式(RGB)，先將影像以不同色彩分層，以上述方法代表不同顏色后，再以相對(duì)位置分配顏色的強(qiáng)度數(shù)值。此外尚有印刷四分色模式(CMYK)、CIE 1931等色彩空間結(jié)構(gòu)。模型識(shí)別將代表影像的數(shù)組進(jìn)行數(shù)學(xué)算，利用機(jī)率、向量等特征模型，進(jìn)行特征選取或萃取、分類(lèi)器設(shè)計(jì)以及系統(tǒng)辨識(shí)率測(cè)試，使得信息系統(tǒng)得以自動(dòng)化辨識(shí)輸入影像中的信息，將目標(biāo)信息主體與背景分離并轉(zhuǎn)換成所需之內(nèi)容，以利后續(xù)運(yùn)算。

《圖一》國(guó)際照明協(xié)會(huì)(CIE;INTERNATIONAL COMMISSION ON ILLUMINATION)所訂定之色彩空間 來(lái)源:http://www.cie.co.at/

來(lái)源:Guangyi Chen, Wenfang Xie. (2011) Wavelet-based moment invariants for pattern recognition. Optical Engineering 50, 077205. . Online publication date: 1-Jan-2011. [ CrossRef ]

《圖二》 識(shí)別辨識(shí)戰(zhàn)斗機(jī)機(jī)型樣本來(lái)源:Guangyi Chen, Wenfang Xie. (2011) Wavelet-based moment invariants for pattern recognition. Optical Engineering 50, 077205. . Online publication date: 1-Jan-2011. [ CrossRef ]

隨著信息科技的進(jìn)步，信息處理過(guò)程日趨復(fù)雜，應(yīng)用范疇也與日俱增，物聯(lián)網(wǎng)(IOT;Internet of Things)時(shí)代的來(lái)臨使得圖像處理需求增加，含有影像攝取鏡頭的硬設(shè)備越來(lái)越多，并融入各種生產(chǎn)制造、商業(yè)行為甚至日常生活，不同應(yīng)用的信息系統(tǒng)漸漸倚靠自動(dòng)化影像辨識(shí)技術(shù)，完成各種新的應(yīng)用。

當(dāng)今常見(jiàn)的代表性技術(shù)如字符識(shí)別(OCR;Optical Character Recognition)，將文字影像進(jìn)行處理，抽取主要表達(dá)特征并將特征模型紀(jì)錄，比對(duì)實(shí)際輸入影像后，依邏輯與機(jī)率轉(zhuǎn)換成字符串形式，供系統(tǒng)進(jìn)行后續(xù)處理，如車(chē)牌辨識(shí)系統(tǒng)，將各種車(chē)輛的影像做為系統(tǒng)輸入，以特征匹配辨識(shí)車(chē)牌字符后，即可進(jìn)行如計(jì)費(fèi)、安全控管、疑車(chē)追蹤等應(yīng)用。某些系統(tǒng)結(jié)合甚至機(jī)器學(xué)習(xí)等算法，透過(guò)訓(xùn)練，能自動(dòng)修正模型提升準(zhǔn)確率。拜計(jì)算機(jī)運(yùn)算之速度快、準(zhǔn)確性高、效率高特性之賜，此技術(shù)能逐步取代人工操作行為，目前常用于醫(yī)療判讀、聲紋辨識(shí)、車(chē)輛監(jiān)控計(jì)費(fèi)、個(gè)人安全等信息系統(tǒng)，應(yīng)用范疇仍隨著時(shí)間快速擴(kuò)展中。

《圖三》文字識(shí)別辨識(shí)標(biāo)的不同角度的樣本范例來(lái)源:Guangyi Chen, Wenfang Xie. (2011) Wavelet-based moment invariants for pattern recognition. Optical Engineering 50, 077205. . Online publication date: 1-Jan-2011. [ CrossRef ]

圖形辨識(shí)的流程

圖形辨識(shí)流程可以分為特征表現(xiàn)、特征萃取、分類(lèi)器設(shè)計(jì)以及系統(tǒng)辨識(shí)率測(cè)試幾個(gè)步驟。在特征表現(xiàn)步驟將數(shù)據(jù)之特征量化取出，再借助特征萃取找出較具分類(lèi)效果的特征，限縮數(shù)據(jù)維度。再根據(jù)數(shù)據(jù)是否包含先前取得并選取之類(lèi)別信息以與應(yīng)用面考慮采用分群法或分類(lèi)法來(lái)進(jìn)行分類(lèi)器設(shè)計(jì)，產(chǎn)生分類(lèi)函數(shù)，最后依測(cè)試數(shù)據(jù)來(lái)驗(yàn)證該系統(tǒng)準(zhǔn)確率，了解分類(lèi)函數(shù)是否完善等個(gè)步驟之準(zhǔn)確性，逐一優(yōu)化。

圖形辨識(shí)的相關(guān)技術(shù)

圖形偵測(cè)(detection)技術(shù)，如線條偵測(cè)、臉部偵測(cè)等，偵測(cè)一個(gè)物體在一個(gè)圖像中的表現(xiàn)，線條偵測(cè)即偵測(cè)影像中是否含有符合條件的直線;臉部偵測(cè)則欲在影像中偵測(cè)人臉。Hough Transform(霍式轉(zhuǎn)換)為此技術(shù)之經(jīng)典算法，將圖形轉(zhuǎn)換成特征空間，再由投票選取圖形。圖形辨識(shí)(recognition)則是要判斷影像中物體所屬條件，相對(duì)于偵測(cè)，以人臉為例，偵測(cè)的目的為標(biāo)記出人臉位置，辨識(shí)則是能進(jìn)一步的認(rèn)出這是屬于哪個(gè)人物的人臉。圖形偵測(cè)主要鉆研偵測(cè)速度以及對(duì)于噪聲的敏感度，而辨識(shí)則討論復(fù)雜環(huán)境中對(duì)應(yīng)不同結(jié)果的方法。相較于圖形偵測(cè)除定位與判斷欲偵測(cè)的對(duì)象是否存在外，圖形辨識(shí)因能判斷出圖形中存在對(duì)象的其他特性，應(yīng)用更為多廣。

至于辨識(shí)時(shí)的分類(lèi)方法，多源自于機(jī)率上的理論，如貝氏定理(Bayes' theorem)、主成分分析(PCA;Principal component analysis)、線性識(shí)別分析(LDA;Latent Dirichlet allocation)、支持向量機(jī)(SVM;Support Vector Machine)、類(lèi)神經(jīng)網(wǎng)絡(luò)Neural Network等，研究將辨識(shí)對(duì)象進(jìn)行分類(lèi)并優(yōu)化。

結(jié)論

智能家居、數(shù)字安全監(jiān)控、個(gè)人裝置安全控管等議題一直是物聯(lián)網(wǎng)的熱門(mén)討論內(nèi)容，車(chē)牌辨識(shí)、街道影像系統(tǒng)、移動(dòng)裝置應(yīng)用等熱門(mén)技術(shù)亦需要成熟的影像辨識(shí)技術(shù)，任何需要針對(duì)圖形中的對(duì)象(如用戶、車(chē)輛、文件等)進(jìn)行萃取的系統(tǒng)均能看到圖形辨識(shí)的技術(shù)實(shí)作。因圖形辨識(shí)可應(yīng)用之領(lǐng)域相當(dāng)廣泛，在物聯(lián)網(wǎng)發(fā)展的同時(shí)，圖形辨識(shí)的技術(shù)仍同樣在進(jìn)步中，各種圖形辨識(shí)算法均有擅長(zhǎng)的辨識(shí)對(duì)象目標(biāo)，優(yōu)良的圖形辨識(shí)算法須結(jié)合不同領(lǐng)域之知識(shí)，開(kāi)發(fā)者熟悉辨識(shí)對(duì)象的各種外顯特性，以及動(dòng)態(tài)行為，并且不斷設(shè)計(jì)修改算法內(nèi)容，方能設(shè)計(jì)出最適宜的辨識(shí)與分類(lèi)算法，提升準(zhǔn)確率。對(duì)于跨領(lǐng)域之技術(shù)人才如醫(yī)療與信息;工業(yè)設(shè)計(jì)與信息;機(jī)械與信息等，同時(shí)具有辨識(shí)對(duì)象與辨識(shí)算法知識(shí)的人才，將能在這一波躍進(jìn)中提供更多見(jiàn)解、嶄露頭角。