机器视觉常用的三种目标识别方法解析

文摘 2024-11-13 12:36 中国

随着机器视觉技术的快速发展，传统很多需要人工来手动操作的工作，渐渐地被机器所替代。传统方法做目标识别大多都是靠人工实现，从形状、颜色、长度、宽度、长宽比来确定被识别的目标是否符合标准，最终定义出一系列的规则来进行目标识别。这样的方法当然在一些简单的案例中已经应用的很好，唯一的缺点是随着被识别物体的变动，所有的规则和算法都要重新设计和开发，即使是同样的产品，不同批次的变化都会造成不能重用的现实。

而随着机器学习，深度学习的发展，很多肉眼很难去直接量化的特征，深度学习可以自动学习这些特征，这就是深度学习带给我们的优点和前所未有的吸引力。很多特征我们通过传统算法无法量化，或者说很难去做到的，深度学习可以。特别是在图像分类、目标识别这些问题上有显著的提升。

视觉常用的目标识别方法有三种：Blob分析法（BlobAnalysis）、模板匹配法、深度学习法。下面就三种常用的目标识别方法进行对比。

Blob分析法（BlobAnalysis）

在计算机视觉中的Blob是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域。Blob分析（BlobAnalysis）是对图像中相同像素的连通域进行分析(该连通域称为Blob)。其过程就是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到Blob块的过程。简单来说，blob分析就是在一块“光滑”区域内，将出现“灰度突变”的小区域寻找出来。

举例来说，假如现在有一块刚生产出来的玻璃，表面非常光滑，平整。如果这块玻璃上面没有瑕疵，那么，我们是检测不到“灰度突变”的；相反，如果在玻璃生产线上，由于种种原因，造成了玻璃上面有一个凸起的小泡、有一块黑斑、有一点裂缝，那么，我们就能在这块玻璃上面检测到纹理，经二值化（BinaryThresholding）处理后的图像中色斑可认为是blob。而这些部分，就是生产过程中造成的瑕疵，这个过程，就是Blob分析。

Blob分析工具可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。在处理过程中不是对单个像素逐一分析，而是对图像的行进行操作。图像的每一行都用游程长度编码（RLE）来表示相邻的目标范围。这种算法与基于像素的算法相比，大大提高了处理的速度。

针对二维目标图像和高对比度图像，适用于有无检测和缺陷检测这类目标识别应用。常用于二维目标图像、高对比度图像、存在/缺席检测、数值范围和旋转不变性需求。显然，纺织品的瑕疵检测，玻璃的瑕疵检测，机械零件表面缺陷检测，可乐瓶缺陷检测，药品胶囊缺陷检测等很多场合都会用到blob分析。

但另一方面，Blob分析并不适用于以下图像：

1.低对比度图像；

2.必要的图像特征不能用2个灰度级描述；

3.按照模版检测(图形检测需求)。

总的来说，Blob分析就是检测图像的斑点，适用于背景单一，前景缺陷不区分类别，识别精度要求不高的场景。

模板匹配法

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。换句话说就是一副已知的需要匹配的小图像，在一副大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像元素，通过统计计算图像的均值、梯度、距离、方差等特征可以在图中找到目标，确定其坐标位置。

这就说明，我们要找的模板是图像里标标准准存在的，这里说的标标准准，就是说，一旦图像或者模板发生变化，比如旋转，修改某几个像素，图像翻转等操作之后，我们就无法进行匹配了，这也是这个算法的弊端。

所以这种匹配算法，就是在待检测图像上，从左到右，从上向下对模板图像与小东西的图像进行比对。

在opencv中有cv2.matchTemplate(src,

templ,result,match_method)方法可以调用，src是待检测图像，templ是模板库，match_method是匹配的方法。

这种方法相比Blob分析有较好的检测精度，同时也能区分不同的缺陷类别，这相当于是一种搜索算法，在待检测图像上根据不同roi用指定的匹配方法与模板库中的所有图像进行搜索匹配，要求缺陷的形状、大小、方法都有较高的一致性，因此想要获得可用的检测精度需要构建较完善的模板库。

深度学习法

2014年R-CNN的提出，使得基于CNN的目标检测算法逐渐成为主流。深度学习的应用，使检测精度和检测速度都获得了改善。

自从AlexNet在比赛中使用卷积神经网络进而大幅度提高了图像分类的准确率，便有学者尝试将深度学习应用到目标类别检测中。卷积神经网络不仅能够提取更高层、表达能力更好的特征，还能在同一个模型中完成对于特征的提取、选择和分类。

在这方面，主要有两类主流的算法：

一类是结合RPN网络的，基于分类的R-CNN系列两阶目标检测算法（twostage）；

另一类则是将目标检测转换为回归问题的一阶目标检测算法（singlestage）。

物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小，是机器视觉领域的核心问题之一。

物体检测过程中有很多不确定因素，如图像中物体数量不确定，物体有不同的外观、形状、姿态，加之物体成像时会有光照、遮挡等因素的干扰，导致检测算法有一定的难度。进入深度学习时代以来，物体检测发展主要集中在两个方向：twostage算法如R-CNN系列和onestage算法如YOLO、SSD等。两者的主要区别在于twostage算法需要先生成proposal（一个有可能包含待检物体的预选框），然后进行细粒度的物体检测。而onestage算法会直接在网络中提取特征来预测物体分类和位置。

两阶算法中区域提取算法核心是卷积神经网络CNN，先利用CNN骨干提取特征，然后找出候选区域，最后滑动窗口确定目标类别与位置。

R-CNN首先通过SS算法提取2k个左右的感兴趣区域，再对感兴趣区域进行特征提取。存在缺陷：感兴趣区域彼此之间权值无法共享，存在重复计算，中间数据需单独保存占用资源，对输入图片强制缩放影响检测准确度。

SPP-NET在最后一个卷积层和第一个全连接层之间做些处理，保证输入全连接层的尺寸一致即可解决输入图像尺寸受限的问题。SPP-NET候选区域包含整张图像，只需通过一次卷积网络即可得到整张图像和所有候选区域的特征。

FastR-CNN借鉴SPP-NET的特征金字塔，提出ROIPooling把各种尺寸的候选区域特征图映射成统一尺度的特征向量，首先，将不同大小的候选区域都切分成M×N块，再对每块都进行maxpooling得到1个值。这样，所有候选区域特征图就都统一成M×N维的特征向量了。但是，利用SS算法产生候选框对时间消耗非常大。

FasterR-CNN是先用CNN骨干网提取图像特征，由RPN网络和后续的检测器共享，特征图进入RPN网络后，对每个特征点预设9个不同尺度和形状的锚盒，计算锚盒和真实目标框的交并比和偏移量，判断该位置是否存在目标，将预定义的锚盒分为前景或背景，再根据偏差损失训练RPN网络，进行位置回归，修正ROI的位置，最后将修正的ROI传入后续网络。但是，在检测过程中，RPN网络需要对目标进行一次回归筛选以区分前景和背景目标，后续检测网络对RPN输出的ROI再一次进行细分类和位置回归，两次计算导致模型参数量大。

MaskR-CNN在FasterR-CNN中加了并行的mask分支，对每个ROI生成一个像素级别的二进制掩码。在FasterR-CNN中，采用ROIPooling产生统一尺度的特征图，这样再映射回原图时就会产生错位，使像素之间不能精准对齐。这对目标检测产生的影响相对较小，但对于像素级的分割任务，误差就不容忽视了。MaskR-CNN中用双线性插值解决像素点不能精准对齐的问题。但是，由于继承两阶段算法，实时性仍不理想。

一阶算法在整个卷积网络中进行特征提取、目标分类和位置回归，通过一次反向计算得到目标位置和类别，在识别精度稍弱于两阶段目标检测算法的前提下，速度有了极大的提升。

YOLOv1把输入图像统一缩放到448×448×3，再划分为7×7个网格，每格负责预测两个边界框bbox的位置和置信度。这两个b-box对应同一个类别，一个预测大目标，一个预测小目标。bbox的位置不需要初始化，而是由YOLO模型在权重初始化后计算出来的，模型在训练时随着网络权重的更新，调整b-box的预测位置。但是，该算法对小目标检测不佳，每个网格只能预测一个类别。

YOLOv2把原始图像划分为13×13个网格，通过聚类分析，确定每个网格设置5个锚盒，每个锚盒预测1个类别，通过预测锚盒和网格之间的偏移量进行目标位置回归。

SSD保留了网格划分方法，但从基础网络的不同卷积层提取特征。随着卷积层数的递增，锚盒尺寸设置由小到大，以此提升SSD对多尺度目标的检测精度。

YOLOv3通过聚类分析，每个网格预设3个锚盒，只用darknet前52层，并大量使用残差层。使用降采样降低池化对梯度下降的负面效果。YOLOv3通过上采样提取深层特征，使其与将要融合的浅层特征维度相同，但通道数不同，在通道维度上进行拼接实现特征融合，融合了13×13×255、26×26×255和52×52×255共3个尺度的特征图，对应的检测头也都采用全卷积结构。

YOLOv4在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都进行了不同程度的优化。时至今日，已经有很多精度比较高的目标检测算法提出，包括最近视觉领域的transformer研究也一直在提高目标检测算法的精度。

总结来看，表示的选择会对机器学习算法的性能产生巨大的影响，监督学习训练的前馈网络可视为表示学习的一种形式。依此来看传统的算法如Blob分析和模板匹配都是手工设计其特征表示，而神经网络则是通过算法自动学习目标的合适特征表示，相比手工特征设计来说其更高效快捷，也无需太多的专业的特征设计知识，因此其能够识别不同场景中形状、大小、纹理等不一的目标，随着数据集的增大，检测的精度也会进一步提高。

综上，基于深度学习算法的优势，其在我司智慧物流领域也得到了较深的应用，例如视觉单件分离设备的包裹分割定位，3D视觉无序抓取工作栈的包裹轮廓识别、属性识别，3D视觉拆码垛工作栈的包裹识别引导等。对此，我司算法专家李博也表示：“AI的发展未来会在深度学习的基础上大放光彩，它将赋予机器多元感知、自主学习、自主分析、精准执行的能力”。

来源：赛那德科技

本文仅做学术分享，如有侵权，请联系删文。

http://mp.weixin.qq.com/s?__biz=MzAxNTc4MTc1Ng==&mid=2649472089&idx=2&sn=2a208859d666bf4b8486737f5ae50d24

新机器视觉

一个值得关注的AI视觉技术公众号，主要涉及人工智能领域机器视觉、计算机视觉、机器学习、深度学习等前沿知识干货和资源！致力于为您提供切实可行的AI学习线路。

最新文章

万字长文，搞懂 AI 大模型的技术原理！

什么是传感器 MTF？

从科幻到现实：简单更换镜头将普通相机变身高光谱设备

什么是机器学习？通过机器学习方法能解决哪些问题？

今天面试了一个字节女生，当场想给她 offer！

机器视觉常用的三种目标识别方法解析

一种深度学习方法---迁移学习了解下

注意力引导的标志检测与识别

2024年图像匹配挑战赛：银牌解决方案！

使用 YOLO 加速实时应用程序中的对象检测 !

常见的图像处理技术

一学术达人 TikZ 学术绘图库 - 机器学习方法图好全好看，速来！

显微镜分辨率与相机分辨率

【深度学习】PyTorch训练一个CNN分类器

机器学习 | LangChain框架快速入门

基于迁移学习的车辆目标识别

图像配准的前世今生：从人工设计特征到深度学习

不谈高级原理，只用简单的语言来聊聊机器学习

10分钟了解AI开发的基本过程

OCR文字识别原理及应用

Halcon和Opencv 的区别

高光谱图像数据？——What & How

计算机视觉、计算机图形学和数字图像处理三者的区别与联系。

一种新型光学快速自动聚焦系统

机器学习 | 强化学习如何让机器自主决策并优化行为

YOLO 11 安装与使用指南

一文了解 | 物方远心、像方远心及双远心镜头的特点、区别及其应用场景

一种轻量级深度学习模型，在IoT设备上的实时行人检测！

Nature打破质疑！视觉成像发展的“新风口”！全新技术将颠覆传统研究！

计算机视觉中的传统特征提取方法总结

入门 | 研究自动驾驶技术的算法需要哪些知识？

定位算法—MCL蒙特卡洛滤波

第一次接触FPGA至今，总结的宝贵经验~

速刷人工智能算法 | 基本遗传算法

基于MIMU与Wi-Fi的普适室内定位方法综述

多传感器时空标定

一文带你了解机器人是如何通过视觉实现目标跟踪的！

一文详解基于先验地图的视觉定位

图像分割：超像素(Superpixel)分割的大致原理

工业相机中的工作模式设定的使用方法

深入浅出Batch Size，对模型训练的影响分析

一文看完多模态：从视觉表征到多模态大模型

DINOv2！计算机视觉领域的基础模型终于出现

YOLO 系列目标检测大合集

行人搜索算法综述

用python写一个图像文字识别OCR工具

视觉基础之相机标定

机器学习和深度学习的区别到底是什么?

实操教程｜怎样制作目标检测的训练样本图像？

3D 激光雷达 SLAM 算法综述

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉