第八章视觉识别要点分析.pptVIP

6.2 人工智能法 模式描述方法： 字符串表示的事实 模式判定： 是一种布尔运算。从事实出发运用一系列规则，推理得到不同结果，m个类就有m个结果。 理论基础：演绎逻辑，布尔代数 主要方法：产生式推理、语义网推理、框架推理 主要优点：已建立了关于知识表示及组织，目标有哪些信誉好的足球投注网站及匹配的完整体系。对需要众多规则的推理达到识别目标确认的问题，有很好的效果。 主要缺点：当样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。 6.3 统计模式识别 理论基础：概率论，数理统计 主要方法：线性、非线性分类、Bayes决策、聚类分析 主要优点： 1）比较成熟 2）能考虑干扰噪声等影响 3）识别模式基元能力强 主要缺点： 1）对结构复杂的模式抽取特征困难 2）不能反映模式的结构特征，难以描述模式的性质 3）难以从整体角度考虑识别问题 概念和名词约定： ? 样本sapmle：待研究对象的个体，包括性质已知或未知的个体 （注意：统计学中有不同的约定） ? 类别class：将所研究的样本性质离散化为有限的类别，认为同一类的样本在该性质上是不可区分的 – 习惯上，类别用ω 表示，如ω1、ω2，也用{-1,1}表示 ? 已知样本known samples：类别情况已知的样本 ? 未知样本unknown samples：类别情况未知的样本 ? 样本集sample set：若干样本的集合，分已知样本集和未知样本集 ? 特征features：样本的任何可区分的（且可观测的）方面 – 包括定量特征和定性特征，但通常最后转化为定量特征 ? 特征向量feature vectors：样本的所有特征组成的 n 维向量，是样本在数学上的表达，因此也称作样本 ? 特征空间feature space：特征向量所在的 n 维空间，每一个样本（特征向量）是该空间中的一个点，一个类别是该空间中的一个区域 ? 分类器classifier：能够将每个样本都分到某个类别中去（或者拒绝）的计算机算法 ? Decision region: 分类器将特征空间划分为若干区域（决策域） ? Decision boundary: 不同类别区域之间的边界称作分类边界、决策边界或分类面、决策面 统计模式识别 根据训练样本，建立决策边界(decision boundary) 统计决策理论——根据每一类总体的概率分布决定决策边界 判别式分析方法——给出带参数的决策边界，根据某种准则，由训练样本决定“最优”的参数 统计模式识别进行分类的方式 ? 特征 ? 分类器 （判别函数）g1( x )、 g2( x ) ? 错误率、风险 ? 多类 以基于数据的方式得到分类器 –基于数据 ?利用样本估计先验概率、概率密度函数 ?直接利用设计某种分类器 学习方式： 监督学习（supervised learning） 在指导下学习 –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 training/learning） –学习的目的在于从这些样本中总结规律，使之 能够对新的样本进行判断 —— 监督学习，监督模式识别 非监督学习(Unsupervised Learning) ? 无指导情况下的学习 –所面对的只有未知答案的样本 –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 —— 非监督学习 非监督模式识别 聚类分析 cluster analysis or clustering 物以类聚 6.5 神经网络 模式描述方法： 以不同活跃度表示的输入节点集（神经元） 模式判定： 是一个非线性动态系统。通过对样本的学习建立起记忆，然后将未知模式判决为其最接近的记忆。 理论基础：神经生理学，心理学 主要方法：BP模型、HOP模型、高阶网 主要优点：可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。 主要缺点：模型在不断丰富与完善中，目前能识别的模式类还不够多。 7. 视觉模式识别系统 传感器(Sensing) 信号采集----换能器(transducer)，在视觉系统中主要是摄像机 模式识别系统性能依赖换能器的带宽(bandwidth)、分辨率( resolution) 、灵敏度(sensitivity)、失真度(distortion) 等技术指标。 分割与组合(Segmentation and grouping) 模式之间相互独立，互不重叠，依靠图象处理技术。 特征提取(Feature extraction)