图像分割与目标识别

在对于图像的处理中，图像识别是一个很重要的步骤，例如人脸识别，车牌识别等。图像目标识别有助于此类功能的实现，提高识别效率。目标识别将图像中的各类物品提前识别并且框出，将识别的目标物体图像，送入后续网络层进行处理，有助于提高任务精确度。在人脸识别中，更精准的人脸框图会提高人脸识别效率，通过缩小物体的区域，定位人脸的特征，提高工程的精准度。传统的目标识别都是基于暴力搜索方法，在传统算法中使用了滑动窗口，规定子块的像素尺度，之后在整幅图像中，进行穷举搜索。这种方法有很多弊端，例如产生的数据量非常多，对于内存与CPU的计算要求很高。相比而言，本算法使用了不同的方法来进行目标识别，对于颜色，纹理，空间，尺度四个参数进行相似度计算。相比之下提高了效率。目标识别效率的提升，有助后续任务的执行。目前很多图像处理算法都首先采用目标识别，后对图像块进行采集，再进行其他工作。例如hyperface人脸识别，就是采用了selective search进行人脸框图，之后利用生成的图像块进行处理。

实验效果图：

原图：

第一次处理：

第二次处理，达到目标识别的功能

实验代码及安装详细步骤：

https://fgk.pw/i/viZKzii0227

研究主要内容和预期结果： 将任意图片作为输入样本，进行无监督学习，经过程序运算，最后输出图像，并将图像中的所有物品使用矩形框出，主要有以下关键问题： （1）图像信息采集：从网络进行下载，或者自行采集，只要包含物品的图像即可，本项目注重与搜集物品之间颜色相差较大的情况。 （2）首先将图片送入模型中，通过基于图的图像分割，产生基础图像，基础图像以相同颜色的图块为基础送往下一层网络结构。指明一幅输入图像中包含哪类目标。其输入为一幅图像，输出是该图像中的目标属于哪个类别。 （3）利用selective search方案，采集上一层的图像，然后使用基于图像分割实现对于物品的识别。图像的目标检测，除了要告诉输入图像中包含了哪类目标外，还要框出该目标的具体位置。 项目完成对图像中物体的识别，进一步提高各项功能的效率。

拟采取的研究方法和技术路线（包括理论分析、计算，实验方法和步骤及其可行性论证，可能遇到的问题和解决方法，以及研究的进度与计划）： 拟运用Python开发，在技术方案、数据分析方面，拟采用keras,chainer,tensorflow等方法，目前正在考虑具体的使用方法。绘制图像方面，拟采用matplotlib,seaborn。keras中库自带dense层，激活层等网络结构，后续有tensorflow进行处理。对本项目有一定的帮助。 运行环境选择Python集成开发工具PyCharm。 其关键问题会出现在物体图像的收集、卷积神经网络的搭建、网络结构的开发及网络层参数设置问题。首先使用基于图的图像分割方法，将图像设置为带权值无向图的形式，采用RGB颜色空间，把图像的每个像素看成图的节点，边的权值代表该条边所连接的两个像素的颜色特征差异，其边的权值用R,G,B的欧式距离来计算。之后将处理之后的图像送入选择性搜索算法，计算颜色，纹理，空间与尺度相似度。通过算法计算得到的包含物体的Bounding Boxes与真实情况的窗口重叠越多，算法性能就越好。从而完成对图像中物体的识别功能。