第10章模板匹配与模式识别.ppt

第10章 模板匹配和模式识别技术 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。 50年代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，支持向量机也受到了很大的重视。 模式识别系统的目标：在特征空间和解释空间之间找到一种映射关系，这种映射也称之为假说。 特征空间：从模式得到的对分类有用的度量、属性或基元构成的空间。 解释空间： 模式识别的依据是相似性 可以识别从未见过的事物；可以识别变形的事物；根据事物的特征来识别它 识别时抓住分类的主要特征，而忽略其他细节差异（只考虑相似不考虑相同） 人工神经网络研究的兴起与发展 人工神经网络的研究大体上可分为四个阶段: 产生时期(20世纪50年代中期之前) 高潮时期(20世纪50年代中期到20世纪60年代末期) 低潮时期(20世纪60年代末到20世纪80年代初期) 蓬勃发展时期(20世纪80年代以后) B-P算法的优缺点： 优点：理论基础牢固，推导过程严谨，物理概念清晰，通用性好等。所以，它是目前用来训练前向多层网络较好的算法。 缺点：该学习算法的收敛速度慢；网络中隐节点个数的选取尚无理论上的指导；从数学角度看，B-P算法是一种梯度最速下降法，这就可能出现局部极小的问题。当出现局部极小时，从表面上看，误差符合要求，但这时所得到的解并不一定是问题的真正解。所以B-P算法是不完备的。 实例：统计模式识别 50 100 150 200 60 70 80 体重 kg 身高cm 实例：统计模式识别 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。 根据训练样本，建立决策边界； 统计决策理论，根据每一类总体的概率分布决定决策边界 优点：理论基础扎实，算法适用面广；缺点：算法复杂、对于统计分类不明确的问题难求解 4 结构模式识别法 识别原理： 句法：描述语言规则的一种法则。 许多复杂的模式可以分解为简单的子模式，这些子模式组成所谓“基元”，每个模式都可以由基元根据一定的关系来组成， 基元可以认为是语言中的字母，每个模式都可以认为是一个句子，关系可以认为是语法。 模式的相似性由句子的相似性来决定。 句子的层状结构 自然句法规则用语模式识别： 房子和树 结构模式识别以形式语言为基础，将一个复杂的模式分解成一系列子模式，对子模式继续分解，最后分解成最简单的子模式（基元），然后借助于一种形式语言对模式的结构进行描述，从而识别对象。 模式，子模式，基元类似于短语，单词，字母。因此该方法类似于语言句法结构分析，因此称句法模式识别。 结构模式识别系统框图 树分类法 树分类法：根据树型分层理论，将未知数据归属于某一类的分类方法，是一种基于二叉树的分类方法。 优点： 能够利用少量特征，使不同特征在不同判定中起不同作用； 每次判定比较简单 缺点： 容易从树根就产生错误，并且不能够平等的使用所有的特征 注意： 在靠近树根部必须选择稳定的，抗噪强的特征 实例：句法模式识别 问题：如何利用对图像的结构信息描述，识别如下所示图片： 实例：句法模式识别（续） 将整个场景图像结构分解成一些比较简单的子图像的组合； 子图像又用一些更为简单的基本图像单元来表示，直至子图像达到了我们认为的最简单的图像单元（基元）； 所有这些基元按一定的结构关系来表示，利用多级树结构对其进行描述(这种描述可以采用形式语言理论). 实例：句法模式识别（续） 多级树描述结构 实例：句法模式识别（续） 训练过程： 用已知结构信息的图像作为训练样本，先识别出基元（比如场景图中的X、Y、Z等简单平面）和它们之间的连接关系（例如长方体E是由X、Y和Z三个面拼接而成），并用字母符号代表之； 然后用构造句子的文法来描述生成这幅场景的过程，由此推断出生成该场景的一种文法。 实例：句法模式识别（续） 识别过程： 先对未知结构信息的图像进行基元提取及其相互结构关系的识别； 然后用训练过程获得的文法做句法分析； 如果能被已知结构信息的文法分析出来，则该幅未知图像与训练样本具有相同的结构（识别成功）,否则就不是这种结构（识别失败）。 5 人工神经网络识别法 人工神经网络是集脑科学、神经心理学和信息科学等多学科的交叉研究领域，是近年来高科