第一讲模式识别-绪论课件.ppt

1、 模式识别模式识别20122012年年2 2月月2222日日自动化学院自动化学院袁立袁立 1出勤：出勤：10%实验：实验：4学时，两个实验，学时，两个实验，10考试：考试：80，开卷，开卷课程要求课程要求2教材：教材：张学工等编，模式识别 清华大学出版社，2010年，第3版 参考书：参考书：Ruchard O.Duda等模式分类（Pattern Classification）机械工业出版社，2004年课程要求课程要求31.模式与模式识别的概念模式与模式识别的概念2.模式识别的主要方法模式识别的主要方法3.监督模式识别与非监督模式识别监督模式识别与非监督模式识别4.模式识别系统的典型构成模式识别

2、系统的典型构成5.模式识别系统应用举例模式识别系统应用举例4一、模式识别一、模式识别 1.1 模式与模式识别的概念模式与模式识别的概念 直观，无所不在儿童认数字：数字符号的识别读书看报：文字识别汽车、火车，狗叫、人语：声音识别人群中寻找一个人：根据面像、形体或其他特征进行识别 人类的模式识别能力是极其平常的，时刻在完成某种模式识别的任务。随着社会活动以及生产科研的发展，需要识别的对象种类越来越多，内容越来越复杂和深入，要求越来越高。为了减轻工作强度，希望计算机代替人来完成识别工作；有些场合环境恶劣、存在危险或人类不能接近，需要借助机器、运用分析算法进行识别。561.1.模式识别模式识别(Pat

3、tern Recognition):(Pattern Recognition):使计算机模仿人的感知能力，从感知数据中提取信息（判别物体和行为）的过程。模式识别作为一门学科，是研究用机器完成自动识别事物的工作；研究内容：使计算机做以前只能由人类才能做的事，具备人所具有的、对各种事物或现象进行分析、描述与判断的部分能力。模式识别学科形成于5060年代，与众多学科有联系，尤其与人工智能和图像处理关系密切。1.1 模式与模式识别的概念模式与模式识别的概念2.模式与模式类：l 模式：需要识别且可测量的对象的描述。这些对象与实际的应用有关，如：字符识别的模式每个字符图像 人脸识别的模式每幅人脸图像l 模

4、式类：当用一定的度量来衡量两个模式，而找不出它们之间的差别时，它们在这种度量条件下属于同一等价类，就说它们是同一模式类。例如：数字识别有10个类别，每个数字就是一个类。不同模式类之间是可以区分的，应有明确界限。71.1 模式与模式识别的概念模式与模式识别的概念3.识别最基本的方法：计算 计算机根据已研制的识别算法，把输入的未知模式划入正确类别中，从而实现自动分类。识别算法中的关键环节就是要对待识别事物与标准“模板”的相似程度进行计算。特征向量表示法：特征向量表示法：将对事物进行度量的指标排成向量的形式。将对事物进行度量的指标排成向量的形式。一维表示 X1=1.5 X2=3 二维表示 X1=(x

5、1,x2)T=(1,2)T X2=(x1,x2)T=(2,1)T 三维表示 X1=(x1,x2,x3)T=(1,1,0)T X2=(x1,x2,x3)T=(1,0,1)T 苹果（重量，直径，颜色）4.模式描述方法模式描述方法图像的向量表示方法：图像的向量表示方法：在计算机里分析的称为数字图像，它由排列整齐的二维网格组成，分在计算机里分析的称为数字图像，它由排列整齐的二维网格组成，分为若干行与若干列，相当于一个二维数组，或称矩阵。我们称每个元为若干行与若干列，相当于一个二维数组，或称矩阵。我们称每个元素为像素。素为像素。左图为左图为57的数字图像；的数字图像；一个数字就用一个数字就用57共共35

6、个网格是黑是白来表示；个网格是黑是白来表示；如令是黑为如令是黑为“1”，是白为，是白为“0”，那么一个数字就可，那么一个数字就可用用35维的二进制向量表示。这就是典型的特征向量表维的二进制向量表示。这就是典型的特征向量表示法示法 1.1 模式与模式识别的概念模式与模式识别的概念 结构表示法：结构表示法：由事物的组成成分与相互关系表示由事物的组成成分与相互关系表示在右侧的图中八个基元分别表示在右侧的图中八个基元分别表示0，1，2，3，4，5，6，7，八个方向，八个方向和基元线段长度。和基元线段长度。则右侧样本可以表示为则右侧样本可以表示为 X1=006666这种方法将在句法模式识别中用到。这种方

7、法将在句法模式识别中用到。二、模式识别简史二、模式识别简史 1929年 G.Tauschek发明阅读机，能够阅读0-9的数字。30年代 Fisher提出统计分类理论，奠定了统计模式识别的基础。统计模式识别是模式识别的主要理论。50年代 Noam Chemsky 提出形式语言理论傅京荪 提出句法结构模式识别。60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和应用。80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。90年代小样本学习理论，支持向量机受到了很大的重视。2000年，流形学习（manifold learni

8、ng）：流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化.2005年，稀疏表示（sparse representation）：近年来有关生理学的研究成果表明：人类的视觉系统具有对图像的稀疏表示特性,神经元对于输入图像的激活机制具有高度的稀疏性.1.1 模式与模式识别的概念模式与模式识别的概念三三.关于模式识别的国内、国际学术组织关于模式识别的国内、国际学术组织1973年 IEEE发起了第一次关于模式识别的国际会议“ICPR”，成立了国际模式识别协会-“IAPR”，每2年召开一次国际学术会议。1977年 IEEE的计算机

9、学会成立了模式分析与机器智能（PAMI）委员会，每2年召开一次模式识别与图象处理学术会议。国内组织：中国自动化学会：模式识别与机器智能(PRMI)专业委员会，1981年成立，IAPR成员组织；人工智能与模式识别专业委员会；中国人工智能学会国内学术机构：中科院模式识别国家重点实验室，中科院计算所，微软研究院，清华大学等。101.1 模式与模式识别的概念模式与模式识别的概念模式识别学科位置模式识别：计算机科学与电子工程交叉学科中国：“控制科学与工程”一级学科 二级学科：控制理论与控制工程、模式识别与智能系统、系统工程等西方：没有自动控制系 自动控制：电子工程系、机械工程系 模式识别：电子工程系、计

10、算机科学系四、模式识别的应用 多媒体数据检索（文档、图像、视频、音乐检索）字符识别（印刷体字符的识别；手写体字符的识别（脱机/联机），信函分拣、支票查对、自动排板、稿件输入等）医疗诊断（心电图，脑电图，染色体，癌细胞识别，疾病诊断等）工程（产品缺陷检测、自动导航系统、污染分析）军事（航空摄像分析、雷达和声纳信号检测和分类、自动目标识别等）安全监控（基于生物特征的身份识别、视频监控、交通监控、音视频监听）1.1 模式与模式识别的概念模式与模式识别的概念现有生物特征识别类型121.1 模式与模式识别的概念模式与模式识别的概念1.2 模式识别的主要方法模式识别的主要方法l 基于知识的方法(Knowl

11、edge-based)AI、专家系统(Expert Systems)句法（结构）模式识别(Syntax PR or Structural PR)（基于结构性描述基于结构性描述）l基于数据的方法(Data-based)统计模式识别方法（Statistical PR）（基于特征向量基于特征向量表示方法表示方法）人工神经网络(ANN)支持向量机(SVM)统计模式识别方法：在确定了描述样本所采用的特征之后，收集一定数量的已知样本，用这些样本作为训练集来训练一定的模式识别机器，使之在训练后能够对未知样本进行分类。这是基于数据的机器学习中研究最多的一个方向。统计模式识别统计模式识别用函数表示：用函数表示：

12、Y=F(X)X的定义域取自特征集Y的值域为类别的标号集F是模式识别的判别方法有监督模式识别有监督模式识别分类（分类（classification）给出若干已知答案的样本（训练样本给出若干已知答案的样本（训练样本 training samples）由机器从这些样本中进行学习（训练由机器从这些样本中进行学习（训练 training/learning）学习的目的在于从这些样本中总结规律，使之能够对新学习的目的在于从这些样本中总结规律，使之能够对新的样本进行判断的样本进行判断无监督模式识别无监督模式识别聚类（聚类（clustering）所面对的只有未知答案的样本所面对的只有未知答案的样本 由机器从这些

13、样本中进行学习（自学习）由机器从这些样本中进行学习（自学习）学习的目的在于从这些样本中发现规律，这种规律应该学习的目的在于从这些样本中发现规律，这种规律应该是某种固有的关系，或者依据这种规律对对象的分类有是某种固有的关系，或者依据这种规律对对象的分类有某种功用某种功用1.3 监督模式识别与非监督模式识别监督模式识别与非监督模式识别1.模式识别系统：模式识别系统：执行模式识别的计算机系统。执行模式识别的计算机系统。1.4 模式识别系统的典型构成模式识别系统的典型构成2.模式识别系统组成：信息获取与预处理，特征提取与选择、模式识别系统组成：信息获取与预处理，特征提取与选择、分类或聚类、后处理等四个

14、部分。分类或聚类、后处理等四个部分。1.4 模式识别系统的典型构成模式识别系统的典型构成1.4 模式识别系统的典型构成模式识别系统的典型构成1.4 模式识别系统的典型构成模式识别系统的典型构成监督模式识别系统组成：数据获取，预处理，特征提取选择、监督模式识别系统组成：数据获取，预处理，特征提取选择、分类器设计以及分类决策五部分。分类器设计以及分类决策五部分。训练过程：对作为训练样训练过程：对作为训练样本的量测数据进行特征选本的量测数据进行特征选择与提取，得到它们在特择与提取，得到它们在特征空间的分布，依据这些征空间的分布，依据这些分布决定分类器的具体参分布决定分类器的具体参数，也就是设计分类器

15、的数，也就是设计分类器的过程。过程。识别过程：分类决策的过识别过程：分类决策的过程，则是在特征空间中用程，则是在特征空间中用统计方法把被识别对象归统计方法把被识别对象归为某一类别。为某一类别。3.3.监督模式识别系统构成及功能监督模式识别系统构成及功能（1）信息获取）信息获取：用不同形式的传感器构成，实现信息获取与信：用不同形式的传感器构成，实现信息获取与信息在不同媒体之间的转换，非电信号转换成电信号。息在不同媒体之间的转换，非电信号转换成电信号。用话筒将声音信号转换成电信号，表现出电压用话筒将声音信号转换成电信号，表现出电压(电流电流)随时随时间变化的复杂波形。间变化的复杂波形。景物信息在摄

16、像机靶面成像并转换成二维的象素矩阵，每景物信息在摄像机靶面成像并转换成二维的象素矩阵，每个像素个像素(矩阵元素矩阵元素)的电信号与物体表面反射的光强或颜色信的电信号与物体表面反射的光强或颜色信息呈现函数关系息呈现函数关系一般输入对象的信息有三种类型：一般输入对象的信息有三种类型：二维图象，如文字、指纹、地图、照片等二维图象，如文字、指纹、地图、照片等 一维波形，如脑电图、心电图、机械震动波形等一维波形，如脑电图、心电图、机械震动波形等 物理参量和逻辑值，如疾病诊断中病人体温，各种物理参量和逻辑值，如疾病诊断中病人体温，各种化验数据；或对症状有无描述，如疼与不疼（化验数据；或对症状有无描述，如疼

17、与不疼（0/1）1.4 模式识别系统的典型构成模式识别系统的典型构成（2）预处理）预处理 去除所获取信息中的噪声，增强有用的信息，及一切必要的使信去除所获取信息中的噪声，增强有用的信息，及一切必要的使信息纯化的处理过程。息纯化的处理过程。预处理这个环节内容很广泛，与要解决的具体问题有关，例如，预处理这个环节内容很广泛，与要解决的具体问题有关，例如，从图象中将汽车车牌的号码识别出来，就需要从图象中将汽车车牌的号码识别出来，就需要先将车牌从图像中先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开找出来，再对车牌进行划分，将每个数字分别划分开。做到这一。做到这一步以后，才能对每个数字进行

18、识别。以上工作都应该在预处理阶步以后，才能对每个数字进行识别。以上工作都应该在预处理阶段完成。段完成。（3）特征选择和提取）特征选择和提取p功能功能：对所获取的信息实现从：对所获取的信息实现从测量空间测量空间到到特征空间特征空间的转换。的转换。输入输入：原始的量测数据：原始的量测数据(经过必要的预处理经过必要的预处理)，例如由声波变换，例如由声波变换成的电信号，表现为电压电流幅度随时间的变化，二维图像每成的电信号，表现为电压电流幅度随时间的变化，二维图像每个像素所具有的灰度值等。个像素所具有的灰度值等。输出输出：将原始量测数据转换成有效方式表示的信息，从而使分将原始量测数据转换成有效方式表示的

19、信息，从而使分类器能根据这些信息决定样本的类别类器能根据这些信息决定样本的类别。1.4 模式识别系统的典型构成模式识别系统的典型构成l特征选择和提取特征选择和提取:选择什么样的方法来描述事物，从而可以选择什么样的方法来描述事物，从而可以有效、牢靠地把事物正确地区分开。有效、牢靠地把事物正确地区分开。如令是黑为如令是黑为“1”，是白为，是白为“0”，那么一个数字就可用，那么一个数字就可用35维的二进制向量表示。这就是典型的维的二进制向量表示。这就是典型的特征向量表示法特征向量表示法。另一种方法则是将数字用笔划表示，也就是将它分成一横加上一斜杠表另一种方法则是将数字用笔划表示，也就是将它分成一横加

20、上一斜杠表示。这种表示方法属于示。这种表示方法属于结构表示法结构表示法范畴。这种方法没有前一种方法的缺范畴。这种方法没有前一种方法的缺点，但提取这种结构信息也不是一件容易方便的事。点，但提取这种结构信息也不是一件容易方便的事。缺点：这种表示与网格的尺寸有关，与字的笔划粗细有关，缺点：这种表示与网格的尺寸有关，与字的笔划粗细有关，更主要的是字在网格中的不同位置与转向有关。这个字在网更主要的是字在网格中的不同位置与转向有关。这个字在网格中略为偏一点，其特征向量表示就会有很大的不一样。这格中略为偏一点，其特征向量表示就会有很大的不一样。这就说明了这种表示的稳定性差。就说明了这种表示的稳定性差。例：印

21、刷体数字大多通过扫描仪输入，或从图像中获取。这样，一个数字往往用例：印刷体数字大多通过扫描仪输入，或从图像中获取。这样，一个数字往往用一个一个NM的数组表示。如果的数组表示。如果N5，M7，则一个数字就用，则一个数字就用57共共35个网格是黑个网格是黑是白来表示。是白来表示。1.4 模式识别系统的典型构成模式识别系统的典型构成（4）分类器设计与分类决策）分类器设计与分类决策分类器设计：将该特征空间划分成由各类占据的子空间，分类器设计：将该特征空间划分成由各类占据的子空间，确定相应的决策分界和判决规则，使按此类判决规则分类确定相应的决策分界和判决规则，使按此类判决规则分类时，错误率最低。把这些判

22、决规则建成标准库。时，错误率最低。把这些判决规则建成标准库。分类决策：分类器在分界形式及其具体参数都确定后，用分类决策：分类器在分界形式及其具体参数都确定后，用相应的决策分界对待分类样本进行分类决策的过程。相应的决策分界对待分类样本进行分类决策的过程。1.4 模式识别系统的典型构成模式识别系统的典型构成1.5 1.5 模式识别系统实例模式识别系统实例 19名男女同学进行体检，测量了身高和体重，但事后发现其中有4人忘记填写性别，试问（在最小错误的条件下）这4人是男是女？体检数值如下：24 待识别的模式：性别（男或女）测量的特征：身高和体重 训练样本：15名已知性别的样本特征模式识别系统实例（一）

23、模式识别系统实例（一）目标：希望借助于训练样本的特征建立判别函数（即数学模型）由训练样本得到的特征空间分布图：25 从图中训练样本的分布情况，找出男、女两类特征各自的聚类特点，从而求取一个判别函数（直线或曲线）。只要给出待分类的模式特征的数值，看它在特征平面上落在判别函数的哪一侧，就可以判别是男还是女了。1.5 1.5 模式识别系统实例模式识别系统实例26 鱼类罐头加工厂：将传送带上的鱼按品种自动分类，即把不同的鱼分开。鱼的分类：鲑鱼（salmon）,鲈鱼（sea bass）模式识别系统实例（二）模式识别系统实例（二）数据采集：用光学感知手段，定时拍摄鱼的数字图像，将其传入计算机。预处理：增强

24、图像中感兴趣的部分，抑制图像中的噪声，将不同的鱼、鱼与背景分离开来。特征提取（feature extraction）：待分对象鲑鱼和鲈鱼确实存在一些差异，比如长度、宽度、光泽和形状等。利用类别之间的这些差异来分类。1.5 1.5 模式识别系统实例模式识别系统实例27模式识别系统实例（二）模式识别系统实例（二）特征提取（feature extraction）：待分对象鲑鱼和鲈鱼确实存在一些差异，比如长度、宽度、光泽和形状等。利用类别之间的这些差异来分类。特征：从模式中提取的、对分类有用的特征。特征选择是模式识别的核心问题之一。分类判别（classification）单一特征先验知识：鲈鱼一般比鲑

25、鱼长。因此可以选择长度为分类特征；长度l超过预定阈值l*时判定为鲈鱼，否则判定为鲑鱼。如何获得长度阈值l*呢？（预定）1.5 1.5 模式识别系统实例模式识别系统实例28模式识别系统实例（二）模式识别系统实例（二）利用特征直方图获得长度阈值l*直方图表明：无论怎样确定长度阈值l*，都不能将两类鱼截然分开，分类错误比较严重。通常，单一特征不足以很好分类。1.5 1.5 模式识别系统实例模式识别系统实例29模式识别系统实例（二）模式识别系统实例（二）尝试利用其他特征：鱼的光泽度，用x表示。1.5 1.5 模式识别系统实例模式识别系统实例30模式识别系统实例（二）模式识别系统实例（二）利用多个特征进

26、行分类形成特征空间：以每个特征为坐标轴形成的空间。特征的个数，就是特征空间的维数。特征向量：特征空间中的一个点。X=(x1,x2)T表示一条鱼，x1代表长度，x2代表光泽度。分类器设计：要找到一个判定边界两类问题判定线判定线把特征空间分为两个区域，识别时特征向量落在那个区域就判定为相应类别。其总分类错误比单一特征分类器好一些，但仍存在一些错误的分类。1.5 1.5 模式识别系统实例模式识别系统实例31模式识别系统实例（二）模式识别系统实例（二）分类器的推广能力：即分类器对未知模式的正确分类的能力复杂的分类算法导致复杂的判定边界。判决曲线被过分调谐到这些训练样本上，虽然所有训练样本都被正确分类，

27、但其推广能力却很差。比如：图中的?新模式更像鲑鱼，却被分到鲈鱼类了。1.5 1.5 模式识别系统实例模式识别系统实例32模式识别系统实例（二）模式识别系统实例（二）简化分类器设计方案分类器设计无需上面那样复杂，即便对训练样本不能完美识别，只要对新模式有足够的推广能力就可以接受。分类器如何自动产生比较简单的判决边界，使其比上面的直线和复杂边界更优秀？如何预测分类器对新模式的推广能力？这些都是模式识别要研究的问题。1.5 1.5 模式识别系统实例模式识别系统实例模式识别系统举例（三）：汽车车牌识别模式识别系统举例（三）：汽车车牌识别 应用领域：自动收费站，十字路口的违章车辆监视等。应用领域：自动收

28、费站，十字路口的违章车辆监视等。主要步骤：（主要步骤：（1）图像获取）图像获取 （2）车牌的提取和）车牌的提取和定位定位 （3）字符识别部分）字符识别部分1.5 1.5 模式识别系统实例模式识别系统实例1.5 1.5 模式识别系统实例模式识别系统实例351.5 1.5 模式识别系统实例模式识别系统实例 车牌定位模块车牌定位模块 目的：从整幅图像中定位出车牌的精确位置。目的：从整幅图像中定位出车牌的精确位置。利用的信息：是车牌部分的纹理分布，主要利用的是水平和竖利用的信息：是车牌部分的纹理分布，主要利用的是水平和竖直两个方向上的边缘。在车牌部分，边缘分布比较密集，可以直两个方向上的边缘。在车牌部

29、分，边缘分布比较密集，可以利用这一点提取出候选的车牌区域，在图中用方框标出。利用这一点提取出候选的车牌区域，在图中用方框标出。粗略定位的结果往往不是很准，我们还可以利用颜色的连续性粗略定位的结果往往不是很准，我们还可以利用颜色的连续性信息对定位的结果进行修正。信息对定位的结果进行修正。之后输出的就是候选的车牌位置，这些位置中，只有一个是真之后输出的就是候选的车牌位置，这些位置中，只有一个是真正的车牌。而究竟哪一个是对的，要到字符识别阶段才能有结正的车牌。而究竟哪一个是对的，要到字符识别阶段才能有结果。果。361.5 1.5 模式识别系统实例模式识别系统实例 字符识别模块字符识别模块 目的目的：

30、输入包括每一个候选车牌区域，而通过它们的输出评价，：输入包括每一个候选车牌区域，而通过它们的输出评价，来把不合适的伪车牌区域去掉，只把最正确车牌的结果作为最来把不合适的伪车牌区域去掉，只把最正确车牌的结果作为最终结果输出出来。终结果输出出来。第一部分：字符分割第一部分：字符分割，要把车牌中的一个个字符逐一切分开，要把车牌中的一个个字符逐一切分开，这样才能在下一步的识别中对每一个字符分别处理。这样才能在下一步的识别中对每一个字符分别处理。分割方法分割方法：利用灰度图像往水平方向的投影。在有数字或字符：利用灰度图像往水平方向的投影。在有数字或字符的部分，这个投影值应该比较大，而在字符之间的间隙处，

31、投的部分，这个投影值应该比较大，而在字符之间的间隙处，投影的累计值就几乎为零了。影的累计值就几乎为零了。确定是否车牌确定是否车牌：如果划分结果比较合理，划分出的每个字符的：如果划分结果比较合理，划分出的每个字符的宽度都差不多，那么说明这个区域比较像车牌。如果字体太宽，宽度都差不多，那么说明这个区域比较像车牌。如果字体太宽，说明是其它的字符。说明是其它的字符。371.5 1.5 模式识别系统实例模式识别系统实例模板匹配：是把样本字符与输入的待识别字符作匹配，如模板匹配：是把样本字符与输入的待识别字符作匹配，如果两个字符很像果两个字符很像(在某种距离度量下距离很小在某种距离度量下距离很小)，说明匹

32、配成，说明匹配成功，把这个模板的对应字符作为输出结果。功，把这个模板的对应字符作为输出结果。特征提取：是对样本和待测图像都先提取一些明显的特征，特征提取：是对样本和待测图像都先提取一些明显的特征，例如对例如对“5”和和“9”考虑其右上角是否封口，这样作的好处考虑其右上角是否封口，这样作的好处是可以用维数较低的向量来描述图像，而且这些特征都是是可以用维数较低的向量来描述图像，而且这些特征都是有代表性，可以用来区分不同样本的。有代表性，可以用来区分不同样本的。38第二部分：字符识别第二部分：字符识别，方法很多：神经元网络，方法很多：神经元网络，PCA，特征提取及匹配等，模板匹配和特征提取是比较常用

33、的方特征提取及匹配等，模板匹配和特征提取是比较常用的方法。法。1.5 1.5 模式识别系统实例模式识别系统实例字符识别模块的训练和识字符识别模块的训练和识别过程别过程39车牌定位模块的训练车牌定位模块的训练和识别和识别 1.5 1.5 模式识别系统实例模式识别系统实例40其它应用举例：人脸检测与跟踪人脸识别视频监控异常行为分析智能交通1.5 1.5 模式识别系统实例模式识别系统实例智能视觉物联网（Smart Visual Internet of Things，SVIOT）物联网是指通过各种信息传感设备，如射频识别（RFID）、红外感应器、药理传感器、声音传感器、图像视频传感器等，实时采集其声、

34、光、热、电、力学、化学、生物、位置等各种需要的信息，与互联网结合形成的一个巨大网络。其目的是实现物与物、物与人，所有的物品与网络的连接，方便识别、管理和控制。“智能视觉物联网”涉及物联网的视觉感知部分，利用各类图像获取传感器，包括监控摄像机、手机、数码相机，获取人、车、物图像或视频，并采用智能分析技术对视觉信息进行处理，为后续利用提供支撑。智能视觉物联网它是未来物联网中重要组成部分，对视觉感知范围内的人、车或其他物件等目标赋以“身份”标签并识别目标的实际“身份”，并利用网络化特点对大范围中的目标标签进行关联，有效地分析目标标签物体的实时状态，感知各类异常事件，就异常事件的发生向相关受体提出自动

35、警示。411.5 1.5 模式识别系统实例模式识别系统实例421.1.学习学习l 机器的学习过程：使用一批包括各类别的训练样本 勾画出各种事物在特征空间分布的规律性 确定使用分类的具体数学公式及其参数1.6 模式识别的若干问题模式识别的若干问题分类器设计：求优化解的过程l 模式识别中的学习与训练是从训练样本提供的数据中找出某种数学式子的最优解，这个最优解使分类器得到一组参数，按这种参数设计的分类器使人们设计的某种准则达到极值。l 分类器参数的选择或学习过程得到的结果取决于设计者选择什么样的准则函数。不同准则函数的最优解对应不同的学习结果，得到性能不同的分类器。例：两类训练样本分布例：两类训练样

36、本分布 图中两类训练样本的分布体现出近似圆形的分布。因此如能把这两个圆形区域确定下来，将它们的边界用某种数学式子近似，那么落在某一个圆形内的样本就可以用这种数学式子来判断。当不一定非要精确地表达不同类样本分布地聚集区时。用一条直线(线性方程)也许可以达到同样的目的。满足 直 线 的 方 程 是 一 个 线 性 方 程，写 成f(x1,x2)=ax1+bx2+c=0，而不在该直线上的点则用f(x1,x2)是否大于零或小于零来分辨。一般来说，决定使用什么样的分类函数往往是人为决定的。对一一般来说，决定使用什么样的分类函数往往是人为决定的。对一个实际分类问题，个实际分类问题，快速计算、快速分类快速计

37、算、快速分类是十分重要的。是十分重要的。两类样本在二维特征空间中有相互穿插两类样本在二维特征空间中有相互穿插很难用简单的分界线将它们完全分开。很难用简单的分界线将它们完全分开。直线作为分界线直线作为分界线 对图中所示的样本分布情况，无论直线参数如何设计，总对图中所示的样本分布情况，无论直线参数如何设计，总会有错分类发生。会有错分类发生。如果以如果以分类，则图中分类，则图中A直线可能是最佳直线可能是最佳的分界线，它使错分类的样本数量为最小。的分界线，它使错分类的样本数量为最小。2.模式的紧致性模式的紧致性 分类器设计难易程度与模式在特征空间的分布方式有密分类器设计难易程度与模式在特征空间的分布方

38、式有密切关系。切关系。(a)(b)(c)(a)、(b)与与(c)分别表示了两类在空间分布的三种状况。其中分别表示了两类在空间分布的三种状况。其中(a)中中两类样本存在各自明确的区域，它们之间的分界线两类样本存在各自明确的区域，它们之间的分界线(或面，超曲面或面，超曲面)具具有简单的形式，因而也较易区分，有简单的形式，因而也较易区分，(b)中两类虽有各自不同的区域，但中两类虽有各自不同的区域，但分界面的形式比较复杂，因而设计分类器的难度要大得多，如果遇到分界面的形式比较复杂，因而设计分类器的难度要大得多，如果遇到(c)类的情况则无法将它们正确分类。类的情况则无法将它们正确分类。紧致集紧致集：同一

39、类模式类样本的分布比较集中，没有或临界样本很少，这样：同一类模式类样本的分布比较集中，没有或临界样本很少，这样的模式类称紧致集。的模式类称紧致集。性质：性质：(1)临界点的数量与总的点数相比很少。临界点的数量与总的点数相比很少。(2)集合中任意两个内点可以用光滑线连接，在该连线上的点也属于这个集合中任意两个内点可以用光滑线连接，在该连线上的点也属于这个集合。集合。(3)每个内点都有一个足够大的邻域，在该邻域中只包含同一集合中的点。每个内点都有一个足够大的邻域，在该邻域中只包含同一集合中的点。特征提取：改善数据的紧致性特征提取：改善数据的紧致性 许多问题在量测空间表示时往往许多问题在量测空间表示

40、时往往。但是如。但是如果它们的确是可分的话，这就意味着可以通过一种变换，果它们的确是可分的话，这就意味着可以通过一种变换，使它们在相应的特征空间中界线分明，也就是具有了紧致使它们在相应的特征空间中界线分明，也就是具有了紧致性。性。模式识别系统设计的任务就是要寻找这样一种模式识别系统设计的任务就是要寻找这样一种，即，即。因此在讨论模式识别的问题时，通常假设同一类的各个因此在讨论模式识别的问题时，通常假设同一类的各个模式在该空间中组成一个紧致集。至于如何找到这种变换模式在该空间中组成一个紧致集。至于如何找到这种变换还没有一种统一的有效的理论与方法。还没有一种统一的有效的理论与方法。3.距离和相似性度量距离和相似性度量q在特征空间中用特征向量描述样本的属性，把在特征空间中用特征向量描述样本的属性，把相似性度量相似性度量用距离量表示用距离量表示。给定一个输入样本集合给定一个输入样本集合 ，用，用D D维空间中的一个点表示某维空间中的一个点表示某个样本，可以选择某个随距离增加而下降的函数个样本，可以选择某个随距离增加而下降的函数f f作为两个作为两个样本样本 和和 之间相似性度量之间相似性度量 kxjx),(jkxx)(),(12Dijikijkxxfxx)(),(1DijikijkxxfxxjkjTkjkXXXXxx1cos),(欧式距离的减函数绝对值偏差的减函数偏差的夹角