物聯(lián)網(wǎng)時代的圖形辨識的相關(guān)技術(shù)

《圖一》國際照明協(xié)會（CIE；INTERNATIONAL COMMISSION ON ILLUMINATION）所訂定之色彩空間

來源：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》 識別辨識戰(zhàn)斗機機型樣本

來源：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）時代的來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)漸漸倚靠自動化影像辨識技術(shù)，完成各種新的應(yīng)用。

當(dāng)今常見的代表性技術(shù)如字符識別（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，比對實際輸入影像后，依邏輯與機率轉(zhuǎn)換成字符串形式，供系統(tǒng)進(jìn)行后續(xù)處理，如車牌辨識系統(tǒng)，將各種車輛的影像做為系統(tǒng)輸入，以特征匹配辨識車牌字符后，即可進(jìn)行如計費、安全控管、疑車追蹤等應(yīng)用。某些系統(tǒng)結(jié)合甚至機器學(xué)習(xí)等算法，透過訓(xùn)練，能自動修正模型提升準(zhǔn)確率。拜計算機運算之速度快、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、車輛監(jiān)控計費、個人安全等信息系統(tǒng)，應(yīng)用范疇仍隨著時間快速擴展中。

《圖三》文字識別辨識標(biāo)的不同角度的樣本范例

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

圖形辨識的流程

圖形辨識流程可以分為特征表現(xiàn)、特征萃取、分類器設(shè)計以及系統(tǒng)辨識率測試幾個步驟。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別信息以與應(yīng)用面考慮采用分群法或分類法來進(jìn)行分類器設(shè)計，產(chǎn)生分類函數(shù)，最后依測試數(shù)據(jù)來驗證該系統(tǒng)準(zhǔn)確率，了解分類函數(shù)是否完善等個步驟之準(zhǔn)確性，逐一優(yōu)化。

圖形辨識的相關(guān)技術(shù)

圖形偵測（detection）技術(shù)，如線條偵測、臉部偵測等，偵測一個物體在一個圖像中的表現(xiàn)，線條偵測即偵測影像中是否含有符合條件的直線；臉部偵測則欲在影像中偵測人臉。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（recognition）則是要判斷影像中物體所屬條件，相對于偵測，以人臉為例，偵測的目的為標(biāo)記出人臉位置，辨識則是能進(jìn)一步的認(rèn)出這是屬于哪個人物的人臉。圖形偵測主要鉆研偵測速度以及對于噪聲的敏感度，而辨識則討論復(fù)雜環(huán)境中對應(yīng)不同結(jié)果的方法。相較于圖形偵測除定位與判斷欲偵測的對象是否存在外，圖形辨識因能判斷出圖形中存在對象的其他特性，應(yīng)用更為多廣。

至于辨識時的分類方法，多源自于機率上的理論，如貝氏定理（Bayes‘ theorem）、主成分分析（PCA；Principal component analysis）、線性識別分析（LDA；Latent Dirichlet allocation）、支持向量機（SVM；Support Vector Machine）、類神經(jīng)網(wǎng)絡(luò)Neural Network等，研究將辨識對象進(jìn)行分類并優(yōu)化。

結(jié)論

智能家居、數(shù)字安全監(jiān)控、個人裝置安全控管等議題一直是物聯(lián)網(wǎng)的熱門討論內(nèi)容，車牌辨識、街道影像系統(tǒng)、移動裝置應(yīng)用等熱門技術(shù)亦需要成熟的影像辨識技術(shù)，任何需要針對圖形中的對象（如用戶、車輛、文件等）進(jìn)行萃取的系統(tǒng)均能看到圖形辨識的技術(shù)實作。因圖形辨識可應(yīng)用之領(lǐng)域相當(dāng)廣泛，在物聯(lián)網(wǎng)發(fā)展的同時，圖形辨識的技術(shù)仍同樣在進(jìn)步中，各種圖形辨識算法均有擅長的辨識對象目標(biāo)，優(yōu)良的圖形辨識算法須結(jié)合不同領(lǐng)域之知識，開發(fā)者熟悉辨識對象的各種外顯特性，以及動態(tài)行為，并且不斷設(shè)計修改算法內(nèi)容，方能設(shè)計出最適宜的辨識與分類算法，提升準(zhǔn)確率。對于跨領(lǐng)域之技術(shù)人才如醫(yī)療與信息；工業(yè)設(shè)計與信息；機械與信息等，同時具有辨識對象與辨識算法知識的人才，將能在這一波躍進(jìn)中提供更多見解、嶄露頭角。