图像识别技术的演进之路(二)—特征提取的关键作用

图像识别中的特征提取是图像处理、复杂识别（含人脸识别、行为识别、姿态识别、物品识别等）、多维数据融合等实用技术得以应用的基础，它在智慧导航、资源分析、天气预报、环境监测、机器人、生物医学甚至军事打击等许多领域都有极其重要的参考价值。

实际应用中，机器（包含计算机和各类终端设备）是经由图像中的二维像素来精细化判别图像由什么组成，并依据快速程序分析抽象提取特征（一般同时会比对现有大数据库中的参考数据）才能真正看清楚“图像”，从而完成图像识别的第一步，是不可或缺的一环。

人脸识别门禁设备、全态识别闸机装置、智能货品标识平台，还有医学图像识别系统等，之所以今天得以广泛应用，从社会意义上来讲是因为它们取代了人们需要做的复杂识别工作，从数学意义上来讲则是：明确了一种从具体客观图像转换到特定数学空间的分类区别方法；其中特定的数学空间称为特征空间，这类转换方法就是图像特征提取方法。

一定要知道的两点是：

一、机器（包含计算机和各类终端设备）本质上是不会“看图”的，它们在程序的指挥下只会也只能看懂数字，那么通过机器提取图像特征的过程实际上是图像的“非图像”表征，例如是数值、向量或者符号；有了这些数值、向量或者符号形式的传递及归类，就能通过机器训练过程教会机器如何读懂这些特征，从而使它们具有识别图像的本领。

二、对于具体图像而言，每一幅图像都有或多或少的自身特征；主观上能感受的特征包含边缘、亮度、纹理、颜色等等，客观上如果要机器读懂，则需转换为矩阵、直方图、函数关系等等；原因是机器很难具备主观快速经验集成思维，它们只能在人控制下通过程序识别图像特征，这就是人工智能领域所期待的尽量将“客观到主观”的反映过程替换为“客观到客观”的反映过程。

图像特征过程提取应该针对每一幅不同的图像进行分类处理，其评价判断标准应该不固定。但是，我们已经开始寻找共性，在实际程序编写过程中建议将下述几点作为指导具体应用的原则：

一、图像特征提取应适应外部情况变化的影响，举个例子：如果要识别不同汽车的车牌号码，那么图像照片可能是在不同光照条件下从不同角度获取的，我们编写的程序应忽略颜色、亮度、几何失真变形（含角度变化）的影响，也就是说对车牌号码提取识别不敏感的参数要抛弃。

二、图像特征提取应快速且容易，我们应该尽量考虑减少机器实施数学运算（通常是加法或乘法或积分或微分）的复杂程度，如果过于复杂，机器会很累，成本代价也会很高。

三、图像特征提取应具有合适的机器训练（Training）和机器测试（Testing）过程，本来通过机器训练来区别猫头鹰、老鹰和猫，但我们在机器测试过程中只关注是否有头部、眼睛，忽略颜色、尺寸、异类生物特征等，并以此共性作为最高等级的特征提取参数，就可能顾此失彼，尽管这一特征相当重要。

四、图像特征提取要防止分类“维度灾难”，例如我们要识别哈密瓜和西瓜，那么颜色和表皮纹理就是很好的维度特征，但是我们画蛇添足，继续加入尺寸、形状这些维度特征就可能无益，极端情况下还会对特征分类形成干扰。

本来还有许多要讲的，供大家编写程序参考，但时间有限，晚上写作又有点犯困，谢谢大家理解，今后继续….