计算机视觉之图片物体识别

计算机视觉（computer vision），是指用摄影机、电脑代替人眼对目标进行识别、跟踪和测量从而获取信息和处理信息的能力。通常来说，计算机视觉系统需要将图象信号，纹理和颜色建模，物体几何识别和分类，以及物体建模等方面都紧密地集成在一起。

我们先来看看下面这张图片：

计算机通过读取这张图片反馈了以下信息：

§图片中有沙洲的概率为44.28%

§图片中出现海滩的概率是33.21%

§图片中出现水牛的概率为1.22%

§图片中出现惠比特犬的概率为1.13%

§出现水下呼吸器的概率为0.88%

我们通过肉眼可以很明显地看到对于第1，2，4个标签，计算机的识别还算准确，但是对于第2和5个标签就不那么准确了。

那么，接下来，我们来看看计算机是如何做到以上5个标签的识别的。

我们的实验环境是基于Python + OpenCV，在开始实验之前，我们需要准备预训练好的模型，卷积网络结构，相关图像分类索引及测试集。在这里，我们使用著名的GoogLeNet模型，图像分类索引则采用ImageNet的索引，实验步骤如下：

定义一个构造函数分别接受待识别的图片，卷积网络结构层次配置，分类索引文件，以及模型。

裁剪图片，计算训练集图片中每个像素的RGB均值( , ,)，剔除这些像素的RGB均值，将得到的Tuple存入一个BLOB变量中:

其中，α是一个人为赋值的常量。例如ImageNet训练集的均值为：R=103.93, G=116.77, B=123.68，α常量设定为1从而达到下图的效果：

§初始化预训练好的模型和卷积网络，将BLOB变量的数据加载到模型和网络中。

§返回模型计算出来的probability为前五的标签。

由于训练集有限，且模型比较老了，对自然图片的识别还算准确，对近些年来新鲜事物的识别就......

我们将在未来对模型进行优化,以达到更准确的识别,敬请期待……