如何通过人工神经网络实现图像识别
人工神经网络（Artificial Neural Networks）（简称ANN）系统从20 世纪40 年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。
尤其是基于误差反向传播（Error Back Propagation）算法的多层前馈网络（Multiple-Layer Feedforward Network）(简称BP 网络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。
目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。
这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。
一、BP 神经网络BP 网络是采用Widrow-Hoff 学习算法和非线性可微转移函数的多层网络。一个典型的BP 网络采用的是梯度下降算法，也就是Widrow-Hoff 算法所规定的。
backpropagation 就是指的为非线性多层网络计算梯度的方法。一个典型的BP 网络结构如图所示。我们将它用向量图表示如下图所示。
其中：对于第k 个模式对，输出层单元的j 的加权输入为该单元的实际输出为而隐含层单元i 的加权输入为该单元的实际输出为函数f 为可微分递减函数其算法描述如下：（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。
（2）提供训练模式，训练网络，直到满足学习要求。（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。
（4）后向传播过程：a. 计算同一层单元的误差；b. 修正权值和阈值；c. 返回（2）二、 BP 网络隐层个数的选择对于含有一个隐层的三层BP 网络可以实现输入到输出的任何非线性映射。
增加网络隐层数可以降低误差，提高精度，但同时也使网络复杂化，增加网络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。
三、隐含层神经元个数的选择当用神经网络实现网络映射时，隐含层神经元个数直接影响着神经网络的学习能力和归纳能力。
隐含层神经元数目较少时，网络每次学习的时间较短，但有可能因为学习不足导致网络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强，网络每次学习的时间较长，网络的存储容量随之变大，导致网络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。
四、神经网络图像识别系统人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。
神经网络的图像识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络图像识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。
神经网络图像识别系统中的特征提取部分不一定存在，这样就分为两大类：① 有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像。
特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。
② 无特征提取部分的：省去特征抽取，整副图像直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。
此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。当BP 网用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。
其原因在于一方面防止训练后网络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免网络陷入局部最小点。
由于BP 网络不具有不变识别的能力，所以要使网络对模式的平移、旋转、伸缩具有不变性，要尽可能选择各种可能情况的样本。
例如要选择不同姿态、不同方位、不同角度、不同背景等有代表性的样本，这样可以保证网络有较高的识别率。
构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是图像的特征向量；神经网络分类器的输出节点应该是类别数。隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。
然后要选择适当的学习算法，这样才会有很好的识别效果。
在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。
神经网络是按整个特征向量的整体来记忆图像的，只要大多数特征符合曾学习过的样本就可识别为同一类别，所以当样本存在较大噪声时神经网络分类器仍可正确识别。
在图像识别阶段，只要将图像的点阵向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。五、仿真实验1、实验对象本实验用MATLAB 完成了对神经网络的训练和图像识别模拟。
从实验数据库中选择0～9 这十个数字的BMP 格式的目标图像。图像大小为16×8 像素，每个目标图像分别加10％、20％、30％、40％、50％大小的随机噪声，共产生60 个图像样本。
将样本分为两个部分，一部分用于训练，另一部分用于测试。实验中用于训练的样本为40个，用于测试的样本为20 个。随机噪声调用函数randn(m,n)产生。
2、网络结构本试验采用三层的BP 网络，输入层神经元个数等于样本图像的象素个数16×8 个。隐含层选24 个神经元，这是在试验中试出的较理想的隐层结点数。
输出层神经元个数就是要识别的模式数目，此例中有10 个模式，所以输出层神经元选择10 个，10 个神经元与10 个模式一一对应。
3、基于MATLAB 语言的网络训练与仿真建立并初始化网络%?================S1?=?24;%?隐层神经元数目S1?选为24[R,Q]?=?size(numdata);[S2,Q]?=?size(targets);F?=?numdata;P=double(F);net?=?newff(minmax(P),[S1?S2],{'logsig''logsig'},'traingda','learngdm')这里numdata 为训练样本矩阵，大小为128×40， targets 为对应的目标输出矩阵，大小为10×40。
newff(PR,[S1 S2…SN],{TF1 TF2…TFN}，BTF,BLF,PF)为MATLAB 函数库中建立一个N 层前向BP 网络的函数，函数的自变量PR 表示网络输入矢量取值范围的矩阵[Pmin max];S1~SN 为各层神经元的个数；TF1~TFN 用于指定各层神经元的传递函数；BTF 用于指定网络的训练函数；BLF 用于指定权值和阀值的学习函数；PF 用于指定网络的性能函数，缺省值为‘mse’。
设置训练参数net.performFcn?=?'sse';?%平方和误差性能函数?=?0.1;?%平方和误差目标?=?20;?%进程显示频率net.trainParam.epochs?=?5000;%最大训练步数?=?0.95;?%动量常数网络训练net=init(net);%初始化网络[net,tr]?=?train(net,P,T);％网络训练对训练好的网络进行仿真D=sim(net,P);A?=?sim(net,B);B 为测试样本向量集,128×20 的点阵。
D 为网络对训练样本的识别结果，A 为测试样本的网络识别结果。实验结果表明：网络对训练样本和对测试样本的识别率均为100％。如图为64579五个数字添加50%随机噪声后网络的识别结果。
六、总结从上述的试验中已经可以看出，采用神经网络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在网络模式下识别复杂的目标图像则需要降低网络规模，增加识别能力，原理是一样的。
谷歌人工智能写作项目：神经网络伪原创
如何利用卷积神经网络提取图像特征
卷积神经网络有以下几种应用可供研究： 1、基于卷积网络的形状识别 物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础文案狗。
2、基于卷积网络的人脸检测 卷积神经网络与传统的人脸检测方法不同，它是通过直接作用于输入样本，用样本来训练网络并最终实现检测任务的。
它是非参数型的人脸检测方法，可以省去传统方法中建模、参数估计以及参数检验、重建模型等的一系列复杂过程。本文针对图像中任意大小、位置、姿势、方向、肤色、面部表情和光照条件的人脸。
3、文字识别系统 在经典的模式识别中，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。
然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。
人们识别图像是靠形状，那AI是怎么识别图像的？
德国研究团队给出一个原因，这个原因出乎意料：人类会关注图中对象的形状，深度学习计算机系统所用的算法不一样，它会研究对象的纹理。首先人类向算法展示大量图片，有的图片有猫，有的没有。
算法从图片中找到“特定模式”，然后用模式来做出判断，看看面对之前从未见过的图片应该贴怎样的标签。神经网络架构是根据人类视觉系统开发的，网络各层连接在一起，从图片中提取抽象特点。
神经网络系统通过一系列联系得出正确答案，不过整个处理过程十分神秘，人类往往只能在事实形成之后再解释这个神秘的过程。研究人员修改图片，欺骗神经网络，看看会发生什么事。
研究人员发现，即使只是小小的修改，系统也会给出完全错误的答案，当修改幅度很大时，系统甚至无法给图片贴标签。还有一些研究人员追溯网络，查看单个神经元会对图像做出怎样的反应，理解系统学到了什么。
德国图宾根大学科学家Geirhos领导的团队采用独特方法进行研究。
去年，团队发表报告称，他们用特殊噪点干扰图像，给图像降级，然后用图像训练神经网络，研究发现，如果将新图像交给系统处理，这些图像被人扭曲过（相同的扭曲），在识别扭曲图像时，系统的表现比人好。
不过如果图像扭曲的方式稍有不同，神经网络就无能为力了，即使在人眼看来图像的扭曲方式并无不同，算法也会犯错。
当你在很长的时间段内添加许多噪点，图中对象的形状基本不会受到影响；不过即使只是添加少量噪点，局部位置的架构也会快速扭曲。研究人员想出一个妙招，对人类、深度学习系统处理图片的方式进行测试。
算法将图像分成为小块，接下来，它不会将信息逐步融合，变成抽象高级特征，而是给每一小块下一个决定，比如这块包含自行车、那块包含鸟。
再接下来，算法将决定集合起来，判断图中是什么，比如有更多小块包含自行车线索，所以图中对象是自行车。算法不会考虑小块之间的空间关系。结果证明，在识别对象时系统的精准度很高。
拍照时，手机为什么知道人的脸在哪儿？
拍照时，池化操作就是一个对一个小区域内求平均值或者求最大值的统计操作。
在内积结果上取每一局部块的最大值就是最大池化层的操作，由卷积层得出的每一个响应图经过一个求最大的一个池化层，会得到比原来响应图更小的响应图。卷积神经网络通过卷积层和池化层实现了图片的特征提取。
其中目标检测一直是计算机视觉中非常基础且重要的一个研究方向——通过给定的输入图片识别图片中的特定物体，并输出其所属类别及位置，根据检测对象不同，也衍生出人脸检测、车辆检测等细分的检测算法。
目标检测和识别通常是将是将“宏观”上的物体在原图像上框出，语义分割则是将每一个像素上进行分类，图像中的每一个像素都有属于自己的类别。
近年来用在无人车驾驶技术中分割街景来避让行人和车辆、医疗影像分析中辅助诊断等。
跟踪问题研究的是在一段给定的视频中，根据第一帧所给出被跟踪物体的位置及尺度大小，在后续的视频中去寻找到被跟踪物体的位置，并在跟踪过程中需要适应各类光照变换，运动模糊以及表观的变化以提高检测的精度。
视觉问答是近年来十分热门的研究方向之一，其研究目的旨在根据输入图像，由用户进行提问，而算法自动根据提问内容进行回答。此问题跨越两种数据形态，故也称之为跨模态问题。
花实在是太美丽了，你掏出手机，扫描了一下自己的脸或是指纹将手机解锁，然后打开一个识别植物种类的APP，用手机拍下上传，几秒钟之后，你就知道了这朵花的名字。
之后你重新发动汽车准备启动，车载摄像头发现车的左后方正有个小孩骑着自行车而来，车上的显示屏立即显示出摄像头观察到的危险画面，你因此避免了一场车祸……在这个想象的场景中有着多种计算机视觉研究成果的应用，一些已成为现实，而一些在不久的将来，也将走进我们的生活。
基于深度卷积神经网络进行人脸识别的原理是什么？
本质上是模式识别，把现实的东西抽象成计算机能够理解的数字。如果一个图片是256色的，那么图像的每一个像素点，都是0到255中间的一个值，这样你可以把一个图像转换成一个矩阵。如何去识别这个矩阵中的模式？
用一个相对来讲很小的矩阵在这个大的矩阵中从左到右，从上到下扫一遍，每一个小矩阵区块内，你可以统计0到255每种颜色出现的次数，以此来表达这一个区块的特征。
这样通过这一次“扫描”，你得到了另一个由很多小矩阵区块特征组成的矩阵。这一个矩阵比原始的矩阵要小吧？那就对了！
然后对这个小一点的矩阵，再进行一次上面的步骤，进行一次特征“浓缩”，用另一个意思来讲，就是把它抽象化。最后经过很多次的抽象化，你会将原始的矩阵变成一个 1 维乘 1 维的矩阵，这就是一个数字。
而不同的图片，比如一个猫，或者一个狗，一个熊，它们最后得到的这个数字会不同。
于是你把一个猫，一个狗，一个熊都抽象成了一个数字，比如 0.34， 0.75， 0.23，这就达到让计算机来直接辨别的目的了。
人脸，表情，年龄，这些原理都是类似的，只是初始的样本数量会很大，最终都是通过矩阵将具体的图像抽象成了数字，因为计算机只认识数字。但是抽象的函数，会有所不同，达到的效果也会不同。
?