2026《基于图像的文物识别研究国内外文献综述》3500字.docxVIP

基于图像的文物识别研究国内外文献综述

1.1文物识别分类方法综述

当前我国文物分类方法主要有时代分类法、存在形态分类法、质地分类法、功用分类法、属性分类法、来源分类法等，其中，时代分类法在我国博物馆中已得到广泛应用。时代分类法以文物制作的时代为标准，把同一时代的文物集合在一起，剔除不属于同一时期的文物，将它们分别集中到同时代的文物中。通过这种方式将不同时代的众多文物以其产生的时代进行划分，达到归类的目的。而无论以上哪种文物划分方法，都是需要人工参与的方法，不但需要花费大量人力，同时也会使文物分类带有个人主观性。近年来，随着图像分类课题的研究焦点从自然图像的场景分类(SceneClassification)到物体分类(ObjectClassification)不断延展，基于计算机辅助的文物图像分类技术越来越受到研究者的广泛关注。我国的文物图像分类在国画、印章、古文字、古钱币以及瓷器等领域都取得了不错的成绩，其中贡献较为突出的包括：浙江大学的关晓惠利用马尔科夫随机场，成功实现对国画内容真伪的分辨；娄海涛在对颜色空间、图像过滤、区域划分、边缘检测技术研究的基础上，成功设计了印章提取系统；毛天骄利用全局相似性敏感编码算法和局部特征过滤实现了对书法字体的有效识别；肖锋利用边缘检测、多尺度方法和相对矩的方法实现了古钱币的局部特征提取，成功对古钱币图像进行分类识别；张儒在基于小波神经网络的基础上，利用图像边缘像素中提取的特征，成功实现了对瓷器图像的分类识别。

对文物图像进行分类的技术主要有三个方面：文物图像的预处理、文物图像的特征提取和文物图像的分类，其中图像的预处理和特征提取是整个分类系统的关键，直接影响到分类器的分类效果，分类结果的优劣有赖于如何与底层图像特征建立联系，并成功地利用提取出来的特征实现有效分类。所以，选择适合文物图像特征的分类器，是对文物图像进行正确分类的关键。

目前，图像分类技术常用到的图像库包括PASCALVOC2005-2011,Caltech101和Caltech256。本文所用的图像是通过各大博物馆官网以及个人实地收集方式获得[10]。

1.2图像识别技术综述

(1)图像特征提取技术

1996年，T.Ojala等人介绍了LBP(LocalBinaryPattern，局部二值模式)算法，该算法通过比较局部像素值与中心像素值的大小生成LBP值，提取图像纹理信息[11]。

1999年，DavidLowe介绍了SIFT算法(Scale-invariantfeaturetransform，尺度不变特征转换)，并在2004年进行了完善补充。该算法在不同尺度空间上选择关键特征点进行描述，生成图像特征。

2001年，Viola等人介绍了Haar特征提取方法，并结合AdaBoost分类算法实现了人脸检测[13]。

2005年，Dalal介绍了HOG算法(HistogramofOrientedGradient，方向梯度直方图)，通过边缘特征进行特征识别，与SVM分类器结合实现行人检测。2008年，Bay等人介绍了SURF(SpeedUpRobustFeatures，加速稳健特征)，作为对FT算法的改进，极大地减小了程序的运行时间，增加了算法的鲁棒性。

(2)图像分类技术

2007年，董立岩等人实现了贝叶斯分类器对尿沉渣图像进行分类判断。该算法对1500张不同类别的样本进行分类识别，准确率达到了94%以上。余肖生等人使用KNN模型实现了对医学图像的自动分类，准确率达到了85%。

2008年，潘琛等人使用决策树的方法对遥感图像进行分类，并以徐州市卫星图像为数据，平均准确率达到了95%。

2012年，AlexKrizhevsky介绍了包含7层隐藏层的AlexNet网络模型，逐层对图像特征进行提取，在ImageNet数据集中失误率为15.4%。

2014年，SzegedyC等人设计了GoogLeNet网络模型，介绍了Inception结构以及分支结构。该模型在ImageNet数据集中将错误率降低到了6.7%。SimonyanK等人介绍了VGG-Net模型，该模型使用了19层卷积网络，同时使用了小尺度的卷积核，减少了模型参数的数量，在ImageNet数据集中达到了7.3%的错误率[18]。

2015年，何恺明等人介绍了ResNet网络模型，在ImageNet数据集中实现了3.6%的错误率，低于人类的平均识别水平[19]。

(3)图像识别算法

2014年，Girshick等人介绍R-CNN算法，该算法在CNN网络的基础上增加了选择性搜索操作来确定候选区域。算法首先对输入图片进行候选区域划分后，再通过CNN网络模型提取候选区域特征，进行分类识别。选择性搜索方法是通过比较子区域之间的相似性并不断进行合并，得到