王刚 陈东勋 陈志强 连伟波 李奇宏
北方自动控制技术研究所 山西太原 030006
摘要：近年来，随着社会的进步和科学技术的发展，深度学习已经成为机器学习和人工智能研究的最新趋势之一，并已成为当今社会最热门的研究方向之一。深度学习的发展无论对计算机视觉领域还是对机器学习领域的研究都产生了巨大的影响。如今，新的深度学习技术正在不断诞生。其对大众的生活已经产生了深远的影响。鉴于此，文章对深度学习在图像识别中的应用进行了研究，以供参考。
关键词：深度学习；图像识别；应用研究
1深度学习的定义
所谓的深度学习，即是从一个输入中产生一个输出所涉及的计算可以通过一个流向图（flowgraph）来表示，考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。这种流向图的一个特别属性是深度(depth）：从一个输入到一个输出的最长路径的长度。所谓的深度学习，是为机器学习构建一个模拟人脑运作方式的思维网络，同时，不同的深度学习方法也存在着不同的学习模型。广为人知的深度学习所应用到的领域就是飞机上的黑匣子，黑匣子中记载的数据以及信息往往是抽象的，无法直接从黑匣子上记录的数据得知飞机的飞行情况，但是经过计算机深度联结计算，就可以将黑匣子中的数据以音频或者图像的方式展现出来。
2图形识别的定义
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程分为4个步骤:图像采集→图像预处理→特征提取→图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。传统的前馈神经网络能够被看作拥有等于层数的深度（比如对于输出层为隐层数加1）。SVMs有深度2（一个对应于核输出或者特征空间，另一个对应于所产生输出的线性混合）。目前的图像识别技术主要使用卷积算法，在接收到图像信息后，通过对图像中的各个关键信息进行记录，并通过对图像的具体特征进行比对，以实现图像识别活动。图像识别的方法包括贝叶斯分类法、模板匹配法等，所谓的贝叶斯分类法，就是通过图像中特定的信息与模板信息进行比对，并且观察其中的相同点与不同点，如果两者的信息能够完全重合，则算法正确，如果其中存在不吻合的数据，则算法错误，再从其他的模板信息中进行比对，值得一提的是，由于当下电子信息技术的发展，比对效率往往较快，甚至在短短数十秒就可以完成上千万数据的比对。模板匹配法，就是在贝叶斯分类法的基础上研发出的图像识别技术，该方法可以有效提高贝叶斯分类法对图像识别的效率，在收到图像信息时，迅速对图像信息中的显性信息以及隐性信息进行确定，并且迅速找到模板中该类显性信息以及隐性信息的位置，进行比对。
3深度学习在图像识别中的具体应用
3.1人脸识别
在现实生活中，人脸识别技术的应用非常广泛，如电子商务、门禁系统以及视频监控等方面，而对人脸识别系统的建设需要有相应的技术手段作为支持，包括身份查找、人脸识别预处理、人脸定位以及人脸图像采集等。在具体研发期间，人脸识别系统会涉及到诸多模块，例如，图像质量检测、真人鉴别、人脸建模、人脸识别对比以及人脸跟踪捕捉等。其中，最为核心的技术就是人脸识别对比，其正确率会对系统的精确度造成直接的影响。而深度学习技术在研发和应用以前，人脸识别算法大多是以LBP、LDA、PCA以及相关改进算法为主的，但由于传统形式的识别算法具有一定的局限性，即对比精度不高，导致系统整体识别率难以达到预期效果。
而随着科技的进步，目前深度学习技术也得到了快速的发展，这在一定程度上推动了深度学习技术和人脸识别技术的融合，也在此基础上诞生了相应的人脸识别算法，相比于人脸识别算法，其识别精度要高出许多。特别是在卷积神经网络逐渐兴起的情况下，人脸识别技术逐渐成为了深度学习研究的主要方向之一，而相对成功的模型包括DeepID以及DeepFace这两种，尤其是DeepID模型，针对卷积神经网络的内部结构进行了深入的分析和研究，这对人脸识别技术的深入发展及应用具有非常积极的作用。而尽管人脸识别技术在近些年当中得到了快速的发展，但仍然有很多问题存在。
3.2医学图像识别
医学图像识别的主要目标是从海量的医学图像中高效、准确的提取出有用的病理信息，为医学研究、临床诊断以及疾病治疗提供坚实的基础。目前，卷积神经网络已成为医学图像识别的首选算法，卷积神经网络以卷积算法、池化算法为基础，逐步提取目标图像中的病理信息，将提取到的图像特征集合成高阶特征，从而完成医学图像的识别与诊断回。在学习大量的样本图像后，深度学习算法获取的特征信息完全有可能超过医生的实践经验，可以站在专家的高度做出高效的判断，既减轻了医生的负担，又提高了诊疗的效率与准确性，对现代医学的发展具有重要的意义
3.3遥感图像识别
随着遥感图像分辨率的日益增大，传统的识别算法已无法满足遥感图像的识别要求，因为传统算法对人工特征提取的依赖性较高。深度学习技术具有强大的学习能力，可以自动组合低级特征、自动的提取高级特征，还可以采用深层结构的模型完成高分辨率遥感图像的识别与分类，而且能够充分利用遥感图像的空间结构信息。遥感图像与深度学习技术相结合能够有效地提取遥感图像的有用特征，在数据降维方面的表现尤其突出阴。许多学者把深度学习应用于遥感图像识别领域中，在识别建筑、道路、植被、林地、水利等地物时取得了较好的效果。
3.4视频图像分析
虽然在视频图像分析方面也对深度学习进行了适当的应用，但其目前仍然处在起步阶段，借助深度学习对视频静态图像进行描述较为容易，而相关的深度学习模型则完全可以从ImageNet上进行获得，但在深度学习中怎样对视频动态特征进行描述还是一项较为困难的问题。这主要是由于传统视频研究方法是借助动态纹理以及光流估计描述动态特征的，但深度模型却并不能对各种动态特征的相关描述信息进行体现。而针对上述问题，一方面可以将视频图像看做三维图像，并在卷积网络当中对其进行合理的应用。另一方面是实施预处理，实现光流场及其他动态特征空间场分布的有效计算，并且要将其视为一个卷积网络的通道。
结语
综上所述，目前，我国的图像识别技术得到了广泛的应用并切实的融入了日常生活之中。但图像识别技术发展较为完善的内容仍然停留在人脸识别技术，无法在更多的领域得到良好的应用。深度学习就是将大数据融入图像识别技术，利用图像识别技术将图像中的信息进行检索总结，并且在大数据中筛选相对应的内容，反馈给图像提供方，以保障图片识别技术的准确性。
参考文献
[1]郑远攀，李广阳，李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用，2019（12）：20-36.
[2]张文强.基于深度学习的商品检测和识别研究[D].成都：电子科技大学，2019.
[3]夏长林.深度学习在图像识别中的应用[J].电脑知识与技术,2019,15(33):185-186.
[4]李春晓,尹振红.深度学习在图像识别中的应用研究[J].卫星电视与宽带多媒体,2019(19):37-38.
[5]李超波,李洪均,徐晨.深度学习在图像识别中的应用[J].南通大学学报(自然科学版),2018,17(01):1-9.