模式识别模板匹配法.pptVIP

Dr. Djamel Bouchaffra Applied Pattern Recognition CSE616 模式识别Pattern Classification 第二章: 模板匹配法 基本概念 模板匹配法 统计决策方法的特殊情况，也是最简单的情况 待分类的每一类模式只有一个唯一的标准（印刷体字符、标准普通话） 基本概念 观测向量 对样本进行观测、采样、量化得到的原理数据构成的向量 观测空间 由观测向量的维数决定的m维几何空间 基本概念 特征向量 对观测向量进行特征选择和提取，得到反映事物本质特性的特征构成的向量 特征空间 由特征向量的维数决定的n维几何空间（nm），每个特征向量即是特征空间中的一个点 基本概念 特征选择 去除次要的特征，筛选出重要的特征 特征提取 通过压缩变换或映射，降低特征维数 基本概念 样本的相似度 即样本的相似程度，是模式识别的重要依据 通常以样本特征向量在特征空间中的距离作为样本的相似度 基本概念 欧氏距离 设有两个n维特征向量X1和 X2 则此二样本的欧氏距离定义为： 基本概念 平方和距离 绝对值距离（曼哈顿距离） 基本概念 加权距离 可根据各个特征在识别中的重要程度设置各加权系数 模板匹配法原理及过程 学习过程 对每一类已知类的学习样本进行特征提取，得到模板向量X1， X2， ﹒﹒﹒ XC（C为类别数） 设置识别门限值ε 以待识样本与模板向量之间的相似度（距离）为识别准则 模板匹配法原理及过程 识别过程 对待识样本进行特征提取，得到特征向量Ｘ 计算待识样本特征向量Ｘ与模板向量X1， X2， ﹒﹒﹒ XC之间的距离 D1， ，﹒﹒﹒，DC 若Di = min { Dj }，j=1, 2 , ﹒﹒﹒,C，且 Di ε，则判样本Ｘ属于第i类,，记为Ｘ∈Ｗi 若所有Di（ i=1, 2 , ﹒﹒﹒,C ）均大于ε，则拒识。 模板匹配法原理及过程 为提高模板匹配法的鲁棒性，可采用弹性模板匹配 将模板样本进行平移、旋转、缩放得到多个模板向量 模板匹配法的应用 人脸识别、模板脸 印刷体字符识别 标准普通话识别 统计模式识别基础 问题 模板匹配法将每一类模式的特征向量视为只有唯一标准的模板向量 实际应用中，由于样本的不确定性，每一类模式在特征空间中分布为一区域 造成样本分布不确定的原因： 样本本身的空间分布 传输处理过程中的噪声和干扰 统计模式识别基础 解决办法 将特征向量视为具有一定空间概率分布的随机向量 利用概率统计的方法进行分类器设计 统计模式识别基础 先验概率 设有C个类别的识别问题（ω1， ω2 ， ﹒﹒﹒ ， ωc ），则ωi 类发生（出现）的概率P (ωi ) 称为第 i 类的先验概率。 显然： 例如：乙肝病诊断 手写体数字识别 统计模式识别基础 类概率密度 指在已知样本类别为ωi 的条件下，特征向量在特征空间X处发生的概率，记为P( X / ωi )。 显然： P( X / ωi ) 随X的变化函数称为第 i 类的类概率密度函数。 统计模式识别基础 统计模式识别基础 模板匹配法情况下的类概率密度函数？ 先验知识 先验概率和类概率密度的总称 统计方法即是基于样本先验知识的模式识别方法 统计模式识别基础 根据先验知识的多少，将统计方法分为： 统计模式识别基础 Bayes决策法 已知各类样本的先验概率P(ωi )及类概率密度P( X / ωi ) 通过先验概率估计后验概率 参数估计法 仅知道各类样本的类概率密度P( X / ωi )的函数形式，函数中的参数末知 由学习样本估计类概率密度函数中的参数 统计模式识别基础 非参数估计法 几乎无先验知识，类概率密度函数形式均末知 直接由学习样本进行分类器设计 线性判别函数 基于对学习样本的分析，得到线性判别函数 由线性判别函数决定的分界面，将特征空间划分为若干区域 根据待识样本落入哪个区域来进行分类 统计模式识别基础 Dr. Djamel Bouchaffra Applied Pattern Recognition CSE616 模式识别，第二章 Dr. Djamel Bouchaffra Applied Pattern Recognition CSE616 Dr. Djamel Bouchaffra Applied Pattern Recognition CSE616 观测向量 观测值 特征向量 特征值 特征空间 鲑 鱼 鲈 鱼 样本相似度 欧氏距离 平方和距离 绝对值距离 加权距离 X1 X2 一维二类情况下的类概率密度函数 统计决策法 Bayes决策法 参数估计法