模式识别第一讲-绪论.pptVIP

模 式 识 别 Pattern Recognition 计算机学院 第一章 绪论 模式识别的研究内容、方法和应用 模式识别的例子 人的识别能力是司空见惯的。 如何使机器具有人和动物的识别能力？ 使机器具有智能是人类的愿望。（机器是人手的延长，智能机是人脑的延长。） 但使机器具有智能这个工作很不容易，仍然有许多谜，人脑的识别机制不明。 尽管已有近五十年的历史，但仍有许多问题有待解决，也可以说刚起步。 一. 什么是模式识别 识别的本质是分类。 使机器具有能够自动地对物体描述、分类、分组的能力是科技、工程中的重要问题 。 模式 —— 模式可以是一个手写的字符、一幅指纹图像、一幅人脸的图像、一段语音信号等。 模式识别 —— 研究模式的分类、聚类、和估计问题。 模式识别中的两大类问题  1、分类。（有监督的分类/识别, Supervised Classification）：把模式分到预先定义好的类里去。 2、聚类。（无监督的分类/识别， Unsupervised Classification, clustering）：基于相似性，把模式聚合成一定的类。 二. 模式识别的应用 在社会科学、生物学、心理学、医学、市场分析预测、自动化、计算机视觉、人工智能、遥感、军事、生物特征识别等问题中有重要应用。 随着计算机性能的提高、Internet的迅速发展，模式识别的应用不仅在它的传统领域，如文字识别、语音识别、指纹识别、遥感图像、医学…等领域越做越好，而且涌现了很多新的应用。 例如数据挖掘（data mining）、文档的分类（document classification）、财政金融、股票的预测、预报，多媒体数据库的检索，基于biometrics（生物统计学）的人的身份鉴别，甚至有的人研究识别人的情感。 模式识别应用的一些例子 模式识别应用的一些例子（续） 模式识别应用的一些例子（续） 模式识别应用的一些例子（续） 三. 几个例子（字符识别） 印刷体、手写体 通过OCR （Optical Character Reader）等设备获取字符的图像 统计性、紧致性与可分性 模式不是确定性的，具有一定的统计分布。 假设同一类别的样本在特征空间中较为相近，而与其他类别的样本分得较开。此即紧致性假设。 小结： 模式可以用多维向量空间中的一个矢量（一个点）来表示。要用到线性代数等工具。 模式不是确定性的，而是具有统计分布。要用到概率论与数理统计等工具。 分类就是要把特征空间划分为一些区域，不相交，类间不重迭。 2. 两类字符识别 小结： 设计分类器时不是要求没有错分类的，而是在一定意义下使错误率最小 下面我们再看一个稍微复杂的问题 3. 三类字符识别---除了“0”、“1”之外，还要识别“x”  分类规则： if else 特征提取 例子小结： 通过上面几个例子，我们接触到了如下几个重要概念： 特征向量，特征空间，特征提取,决策区域 也看到了一个模式识别系统的基本工作过程。 四. 模式识别系统 在解决不同的具体问题时，要根据该问题的性质，确定传感器、预处理、特征提取和分类的算法 。 特征提取与选择：应区分能力强、特征数较少 。运用先验知识。 分类器设计：采用何种分类方法？ 五.常用的模式识别方法 模板匹配（template matching） 统计的方法（statistical P.R.） 人工神经网络的方法（artificial neural network, ANN） 句法或结构的方法（syntactic or structural P.R.） 这些方法不是绝对独立的，同一种方法有不同的解释，有时要混合使用。 1.模板匹配 模式识别中使用最早、最简单、直观的方法 所谓匹配是一类运算，用来确定两个对象间的相似性。 在模板匹配中，要有一个模板（一般是一个二维形状）或一个模式原型（prototype），待匹配的模式和这个预先存储好的模板相匹配 模板匹配一般要花费较大的计算量，随着计算机速度的加快，这种方法变得更可行了 1. 模板匹配(续） 例子：字符匹配 刚性模板匹配的缺点：处理畸变模式难 使用变形模板 2. 统计模式识别 在统计模式识别中，每一模式是用一个d维的测量值、特征向量来表示的，它是d维特征空间的一个点。 目标是选择这样的一些特征，使同一类的模式在空间中尽量紧凑，而不同类的模式间尽量分开、不相交。 给定一组样本，模式识别的任务是要确定决策（分界）面、边界，以把不同的类分开。 三类统计模式识别方法 在统计决策理