大二下大礼包模式识别chapter

模式识别

PatternRecognition

March2,2015Wuhan,Hubei,ChinaTel.:+86-27-68771218Email:Mobile:8Web:Dr.Prof.

JianYao

（姚剑）SchoolofRemoteSensingandInformationEngineering

WuhanUniversity,Wuhan,Hubei,P.R.China个人简介以及部分科研成果模式识别AboutME个人简介本科，1993-1997，厦门大学，自动化系硕士，1997-2000，武汉大学，计算机学院博士，2000-2001，华中科技大学，控制科学与工程系哲学博士，2002-2006，香港中文大学，电子工程系，多视图三维建模与渲染研究助理，2001-2002，香港城市大学深圳研究院，混沌通讯与图像加密研究组（香港城市大学电子工程系IEEE院士陈光荣讲座教授）助理研究员，2006-2006，香港中文大学，电子工程系博士后，2006-2008，瑞士达尔·摩尔感知人工智能感应（IDIAP）研究所，附属于瑞士洛桑联邦理工学院（EPFL）和日内瓦大学，计算机视觉研究组，智能视频监控研究员，2009-2012，欧盟委员会·联合研究中心（JRC，JointResearchCentre）公民保护和安全研究所（IPSC，InstitutefortheProtectionandSecurityoftheCitizen）（意大利），核安全部（NuclearSecurityUnit），三维建模与变化监测、点云数据处理与分析研究员、博士生导师，2011-2012，中国科学院深圳先进技术研究院，集成所智能仿生研究中心，机器人技术与机器视觉导航教授、湖北省“楚天学者”特聘教授、学科带头人、博士生导师，2012-至今，武汉大学，遥感信息工程学院，摄影测量与遥感教研组Tel:Email:Mobile:Web:QQ：83341656Office:遥感院5号楼425室

三维人脸建模姿态不变的人脸识别快速多视角特征匹配与排序基于贝叶斯的三维场景密集匹配初始种子中间过程合成图像原始图像合成图像误差图像基于图像的渲染TestImage3DFaceModelGallery(eachmodelbuiltfrommultiple2Dfaceimages)PoseEstimationRefitting&Rotation?IdentityFrontalViewFaceImageGallery多视角三维建模与渲染研究成果（1）部分科研成果TextureMappingHeadPoseEstimationMultiple2DFaceImagesGeneric3DWireframeFaceModelFeaturesExtraction/Tracking3DFaceModelAdaptation3DFaceModelswithTextureMappingFacialAnimationFaceExpressionAnalysisFaceRecognition我们的多层背景方法MoG方法欧盟第六框架计划FP6-CARETAKER项目多层背景建模与弃置行李检测单（多）摄像头单（多）目标跟踪人体检测目标行为理解（地铁人流量统计等）动态背景智能视频监控研究成果（2）部分科研成果六氟化铀（UF6）燃料存储器自动识别多传感器融合的三维建模与安全监测系统参考单元识别与验证（异常点过滤、扫描匹配）特征提取特征匹配三维模型表示三维变化检测三维点云建模与安全检测研究成果（3）部分科研成果机器视觉导航多个配准的扫描贯彻场景模型深度相机小尺度和短时间跟踪和定位二维视觉和三维几何特征提取准确的局部跟踪和全局模型对齐联合优化由深度相机重构小区域场景三维几何特征提取二维视觉和三维几何特征库跟踪时候成功成功失败多尺度三维特征点提取全局自我定位和跟踪Kinect-BasedSLAM服务机器人MonocularSLAMMonocularCameraMovingRobotProcessingPlatform研究成果（4）部分科研成果武汉大学智能无人车四旋翼飞行器NAO医学影像分析X射线数字容积影像系统（X-CV）提供标志点自动检测技术和影像三维重建解决方案。影像和重建断层图像的分辨精度可达到0.2mm，精度高于现有CT技术水准的三倍，辐射量比现有CT扫描减少近70%。X-CV系统摄影设备原理图X摄影光束定位原理图

X射线影像X射线影像中的标志点自动检测结果研究成果（5）部分科研成果多源遥感影像多源遥感影像多视影像匹配三维地表模型生成纹理缺乏区域的形状恢复滤波和分割超分辨率模型重建超分辨率纹理映射973项目：“高分辨率遥感数据精处理和空间信息智能转化的理论与方法”（2012-2016；项目编号：2012CB719900）多源高分遥感影像三维建模研究成果（6）部分科研成果多源遥感影像……多源遥感影像……罗马斗兽场（GoogleMap）模式识别研究SLAM扫描技术捕捉视频画面1.实时高精度影像转换在线扫描、编辑、共享2.实时全局影像映射优化瑞士Dacuda公司可识别130种国家的语言文字，准确率高达95%研究成果（7）部分科研成果助行机器人研究成果（8）部分科研成果差速实现转弯25km/h-30km/h最大爬坡角度30°弹簧蓄能减震3-6km/h，步高200mm，步长710mm街景影像处理研究成果（9）部分科研成果街景面片提取研究成果（10）部分科研成果点云数据全景影像点云面片提取结果基于影像优化结果面片未优化效果图计算机视觉、计算机图形学、图像与视频处理分析、机器学习、模式识别、人机交互、机器人视觉导航与定位、视觉检测、点云数据处理与分析、智能视频监控、三维人脸建模与识别、人体检测与跟踪、三维数字建模与监测、核工厂与核设施安全验证、变化检测、人脸识别、目标检测与跟踪、室内场景建模与解译、传感网与物联网、医学影像处理、图像与视频加密通讯、Web/3DGIS、数字海洋遥感、地面移动遥感、高分辨率遥感目标提取与场景解译等。主要研究方向主要研究方向模式识别概述模式识别什么是模式识别？看到东西得出看法观察判断观测决策量化观测分类决策（人、动物或机器）获取关于某一事物的信息（数据），并将其归为某一类别的过程。“模式识别的目的是要确定一个给定的样本属于某一类“(Fukunaka)模式识别概述模式识别模式识别是什么？对象Object模式Pattern分类Classification特征提取FeatureExtraction模式识别概述类/类别Class/Category类/类别Class/Category类/类别Class/Category模式识别是什么？模式识别的应用（举例）

生物学自动细胞学、染色体特性研究、遗传研究

天文学天文望远镜图像分析、自动光谱学

经济学股票交易预测、企业行为分析

医学心电图分析、脑电图分析、医学图像分析

工程产品缺陷检测、特征识别、语音识别、自动导航系统、污染分析模式识别的应用模式识别概述

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

安全指纹识别、人脸识别、监视和报警系统几个视频实例：手印识别、人工智能、照片扫描识别、屏幕凌空触控模式识别的应用模式识别概述识别一所大学里学生的性别，其中可用的输入是学生的几个特点（当然，性别不能包含在特点中）模式识别概述被分类的学生称为对象性别（男或女）称为类输入的学生信息称为模式例1：性别识别例如：学生可能的特征：眼睛的个数x{0,1,2}头发的颜色 x{0=黑色，1=金色，2=红色……}戴眼镜或不戴 x{0,1}头发长度

[厘米]

x[0..100]鞋的大小

[美国码]

x[3.5,4,4.5,..,14]身高

[厘米

]

x[40..240]体重

[kg]

x[30..600]特征是一个标量

x，它定量地描述对象的属性。模式识别概述什么是特征？当我们有两个或多个类，特征提取包括选取那些最有效的保持类的可分性的特征假设我们选择鞋的大小作为学生的一个特征。这种选择要是启发式的，而且是合理的。模式识别概述在这个例子中，要求学生抬高他的腿并读取鞋的大小的过程就是特征提取。什么是特征提取？模式是由N个标量构成的n元组

X（矢量），这就是所谓的特征。模式的常规形式是：其中V被称为特征空间，N是特征空间的维数。模式识别概述什么是模式？

我们可以用单鞋大小：我们可以结合身高和体重：如果想要更精确，我们甚至可以结合身高、体重和鞋的大小：或者，我们可以使用所有的特征：

模式识别概述性别问题的可能模式假设我们把大学里每一个学生的身高和体重作为模式。身高和体重都是特征，它们组成2维特征空间。每个学生代表特征空间中的一个点。模式识别概述每个学生的特点是一个向量的两个特征（身高，体重）。由于男生和女生的身高和体重的彼此不同，我们预计将有两个分隔的群集FemalesMales例子模式识别概述类是一组有一些共同的属性的模式在我们的例子中，男生和女生是有性别属性的两个类两个不同的类≠两个分开的集群

什么是类？分类是把一种特征分配到一个类别中的数学函数或者算法在一个划分性别的例子中，首先在两个集群之间画一条线。

每个学生将根据这条线被归类为女性或男性。1201101009080706050403012013014015016017018019020021022012011010090807060504030120130140150160170180190200210220And,Yes!!!Therearemisclassifications.FamalesMales模式识别概述什么是分类？

错误分类是集群可分性的后果集群的可分性使用两种主要的量化方法：数学的：还有一些可分离性的标准

直观的：重叠的集群可分离集群半可分离集群不可分离集群模式识别概述集群分离性根据集群的可视化表示来判断一个分类质量是一个不好的习惯。分类质量在很大程度上依赖于集群的可分离性集群的可分离性强烈依赖于特征选择分类质量中特征选择极为重要模式识别概述分类质量数字化模式识别概述实例2：手写地址解译系统地址块定位模式识别概述实例2：手写地址解译系统地址抽取模式识别概述实例2：手写地址解译系统二值化2023/3/18模式识别概述实例2：手写地址解译系统线分离模式识别概述实例2：手写地址解译系统地址分离模式识别概述实例2：手写地址解译系统州缩写识别邮政编码识别模式识别概述识别实例2：手写地址解译系统街道号码识别模式识别概述识别：街道名称识别实例2：手写地址解译系统模式识别概述递送点代码实例2：手写地址解译系统模式识别概述条形码译码实例2：手写地址解译系统............PedestrianNon-PedestrianTest

ImageTrainableSystem…..模式识别概述实例3：目标检测-行人模式识别概述实例3：目标检测-行人模式识别概述实例3：目标检测-车辆模式识别概述实例3：目标检测-人脸模式识别概述输入：网络流量数据输出：正常的/入侵类型的实例4：入侵检测输入：股票价格的时间序列输出：有风险/无风险模式识别概述实例5：金融预测输入：HTML文本输出：主题分类实例6：文本分类模式识别概述输入：指纹图像输出：真实的/伪造的模式识别概述实例7：指纹鉴别输入：语音波形输出：单词模式识别概述实例8：语音识别

从摄像头获取包含车牌的彩色图像车牌定位和获取字符分割和识别输入图象特征提取粗略定位分割字符确定类型精细定位识别、输出实例9：汽车车牌识别模式识别概述实例9：汽车车牌识别实验结果：车牌提取模式识别概述实验结果：字符识别实例9：汽车车牌识别模式识别概述计算机自动诊断疾病:获取情况(信息采集)：测量体温、血压、心率、血液化验、X光透射、B超、心电图、CT等尽可能多的信息，并将这些信息数字化后输入电脑。当然在实际应用中要考虑采集的成本，这就是说特征要进行选择的。运行在电脑中的专家系统或专用程序可以分析这些数据并进行分类，得出正常或不正常的判断，不正常情况还要指出是什么问题。实例10：计算机自动诊断疾病模式识别概述实例11：遥感影像特征提取模式识别概述实例12：遥感影像自动分割模式识别概述实例12：遥感影像自动分割Huet.al.,AutomaticSegmentationofHigh-resolutionSatelliteImagerybyIntegratingTexture,Intensity,andColorFeatures,PE&RS,2005:1399-1406模式识别概述实例12：遥感影像自动分割模式识别概述A)SPOT-510mHRGfalsecolorimageB)DTbasedclassificationC)RFbasedclassificationD)SVMbasedclassification实例13：遥感影像自动分类模式识别概述课程考核方法、参考书及教学纲要模式识别

课程作业（20%）按时完成并提交作业，鼓励大家互相讨论，但独立完成。抄袭各方均为零分课程设计（30%）2个课程设计，提交程序代码和课程设计报告

期末测验（50%）开卷考试，涉及授课的全部内容课堂考核方式成绩评定课程设计在期末测验之前完成并提交至：课程设计报告格式：*.doc或*.pdf编程语言：Matlab或C语言，提交代码的压缩包严禁抄袭鼓励课程设计内容在国内外学术会议、刊物上公开发表成绩评定：研究现状描述（20%）基本原理（20%）基本算法（30%）结论验证与评价（20%）内容难度和创造性（10%）课程设计课堂考核方式大作业本着自愿的原则，完全凭兴趣，计入最终成绩中；可以合作；不求实用，但求体验大作业1从麦克风采集语音数据，判断说话人的性别大作业2给定任意一张照片，判断其为人物照还是风景照大作业3其他类似工作，鼓励创新选做大作业课堂考核方式教材：舒宁等，《模式识别的理论与方法》，武汉大学出版社，2004参考书目：RichardO.Duda,PeterE.HartandDavidG.Stork,PatternClassification,2ndEdition,JohnWiley,2001SergiosTheodoridisandKonstantinosKoutroumbas,PatternRecognition,4ndEdition,ElsevierScience,2009边肇祺等，模式识别（第二版），清华大学出版社，2000OnlineCourseraMachineLearning(AndrewNg,斯坦福大学）:NeuralNetworksforMachineLearning(GeoffreyHinton,多伦多大学)：教材和参考书目教材和参考书目教材和参考书目教材和参考书目第一章概论第二章贝叶斯决策理论第三章判别函数与确定性分类器第四章聚类分析第五章模式特征分析与选取第六章模糊集合理论在模式识别中的应用第七章句法模式识别第八章神经网络在模式识别中的应用教学纲要教学纲要

§1.1模式识别基础 §1.2模式识别系统及方法 §1.3模式识别应用 §1.4模式识别基本问题模式识别第一章概论模式（Pattern）——存在于时间、空间中可观察的事物，具有时间或空间分布的信息。识别（Recognition）——对各种事物或现象的分析、描述、判断、识别。模式识别（PatternRecognition）——用计算机实现人对各种事物或现象的分析、描述、判断、识别。模式识别是模拟人的某些功能模拟人的视觉：计算机+光学系统模拟人的听觉：计算机+声音传感器模拟人的嗅觉和触觉：计算机+传感器第一章概论§1.1模式识别基础样本（Sample）——一个具体的研究（客观）对象。如患者，某人写的一个汉字，一幅图片等。特征（Feature)——能描述模式特性的量（测量值）。在统计模式识别方法中，通常用一个矢量表示，称之为特征矢量，记为模式类（Class)——具有某些共同特性的模式的集合。

§1.1模式识别基础基本概念

可观察性可区分性相似性§1.1模式识别基础模式的直观特性§1.1模式识别基础常见模式目的利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合提高计算机的感知能力，开拓计算机的应用

X：定义域取自特征集Y：值域为类别的标号集F：模式识别的判别方法§1.1模式识别基础模式识别的研究

主要集中在两个方面研究生物体(包括人)是如何感知对象的，是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴研究在给定的任务下，如何用计算机实现模式识别的理论和方法。是数学家、信息学专家和计算机科学工作者的研究内容§1.1模式识别基础模式识别的研究模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。特征提取和特征选择：由模式空间到特征空间的变换和选择类型判别：特征空间到类型空间所作的操作。对象空间模式空间类型空间特征空间§1.1模式识别基础模式识别的三大任务

1929年阅读机30年代统计分类理论及统计模式识别50年代形式语言理论及句法结构模式识别60年代模糊集理论80年代神经元网络模型90年代小样本学习理论及支持向量机§1.1模式识别基础模式识别的发展史学术组织：国际模式识别协会（IAPR）、模式分析与机器智能（PAMI）委员会；主要期刊：PAMI、PatternRecognition、PatternRecognitionLetter、MachineLearning、Int.JournalofPRandAI、PatternAnalysisandApplications、模式识别与人工智能、中国图形与图形学学报；主要会议：ICCV、CVPR、ECCV、ICML、ICPR、ICDAR等。§1.1模式识别基础相关资源

§1.1 模式识别基础

§1.2 模式识别系统及方法 §1.3 模式识别应用 §1.4 模式识别基本问题模式识别第一章概论预处理这个环节的内容很广泛，与要解决的具体问题有关，例如，从图像中将汽车车牌的号码识别出来，就需要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。做到这一步以后，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。通常在采集信息过程中，还要去除所获取信息中的噪声，增强有用的信息等工作。这种使信息纯化的处理过程叫做信息的预处理。数字化--比特流第一章概论待识对象数据采集、特征提取二次特征提取与选择分类识别识别结果§1.2模式识别系统及方法通常能描述对象的元素很多，为节约资源和提高处理速度，有时更为了可行性，在满足分类识别正确率要求的条件下，按某种准则尽量选用对正确分类识别作用较大的特征。使得用较少的特征就能完成分类识别任务。分类识别是根据事先确定的分类规则对前面选取的特征进行分类（即识别）。第一章概论待识对象数据采集、特征提取二次特征提取与选择分类识别识别结果§1.2模式识别系统及方法§1.2模式识别系统及方法待识对象数据采集、特征提取二次特征提取与选择分类识别识别结果正确率测试训练样本数据采集、特征提取二次特征提取与选择改进分类识别规则人工干预数据采集、特征提取改正特征提取与选择制定改进分类识别规则模式识别系统

通过各种传感器把被研究对象的各种物理变量转换为计算机可以接受的数值或符号（串）集合。习惯上，称这种数值或符号（串）所组成的空间为模式空间。一维波形：脑电图、心电图、季节震动波形等物理参量和逻辑值：体温、化验数据、参量正常与否的描述二维图像：文字、指纹、地图、照片等§1.2模式识别系统及方法数据采集

为了从这些数字或符号（串）中抽取出对识别有效的信息，必须对它进行处理，包括：消除噪声，排除不相干的信号提取有用信息，并对输入测量仪器或其它因素所造成的退化现象进行复原（图像处理）与对象的性质和采用的识别方法密切相关的特征的计算（如表征物体的形状、周长、面积等等）必要的变换（如为得到信号功率谱所进行的快速傅里叶变换）等§1.2模式识别系统及方法预处理

对数据进行加工，包括特征选择、特征提取、数据维数压缩和决定可能存在的类别等。通过特征选择和提取或基元选择形成模式的特征空间。以后的分类决策或模型匹配就在特征空间的基础上进行。系统的输出或者是对象所属的类型或者是模型数据库中与对象最相似的模型编号。§1.2模式识别系统及方法模式表示（数据处理）

将客观数据或现象利用数值或者编码方式进行描述，从而使其在一定数学含义框架下彼此相关的过程。常规表示：统计表示：模式=d个特征或测量值，目前应用最多结构化表示：模式=子模式1+子模式2+…+子模式n=基元a+基元b+基元n，符合人类习惯，但难以泛化§1.2模式识别系统及方法表示

相异度表示：利用对象与特定对象集合的相异度来进行相对表示。相异度可以来源于原始数据，如图像、谱或时间样本，也可来源于原始的统计特征向量或结构特征表示，如字串、关系图等。主要应用于混合分类器。

可视化表示：数据可视化，通过交互引入人类知识（疾病医学诊断）。主要用于解决维数特高（数万维）、数据复现性差，半定量的数据这类问题。§1.2模式识别系统及方法表示对原始数据进行变换，得到最能反映分类本质的特征。测量空间：原始数据组成的空间特征空间：进行分类识别的空间特征选择：维数较高的测量空间→维数较低的特征空间特征提取：卡洛南-洛伊（K-L）变换、二维共生矩阵、主分量分析（PCA）等，消除模式特征之间的相关性、突出差异性§1.2模式识别系统及方法特征提取和选择

通过训练确定判决规则，使按此类判决规则决策时，错误率最低。把这些判决规则建成标准库。

学习：有监督学习--使用分好类的样本集无监督学习--自动分类

分类：根据待分类事物的特征及分类规则进行分类

评估：对分类结果进行评估

调整：调整分类规则。主要任务是将学习方法或问题描述进行调整或扩展，使其更适合决策分类决策：利用特征及分类规则对被识别对象进行识别§1.2模式识别系统及方法模式识别系统设计模板匹配法（templatematching)统计方法（statisticalpatternrecognition）神经网络方法（neuralnetwork）模糊方法（fuzzypatternrecognition）结构方法（句法方法）(structuralpatternrecognition)支持向量机、核方法：1990s-多分类器、集成学习：1990s-Bayes学习：1990s-1990s-：模式识别技术大规模应用§1.2模式识别系统及方法模式识别的基本方法§1.2模式识别系统及方法模版匹配法（templatematching）基本步骤：首先对每个类别建立一个或多个模版；输入样本和数据库中每个类别的模版进行比较；求相关或距离；根据相关性或距离大小进行决策.优点：直接、简单。缺点：适应性差。模式描述方法：特征向量

模式判定：模式类用条件概率分布

表示,m类就有m个分布，然后判定未知模式属于哪一个分布。根据训练样本，建立决策边界。§1.2模式识别系统及方法统计方法统计决策理论——根据每一类总体的概率分布决定决策边界。是一种监督分类的方法，分类器是概念驱动的。判别分析方法——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。是一种监督分类的方法，分类器是概念驱动的。聚类分析方法——用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。是一种非监督学习的方法，解决方案是数据驱动的。§1.2模式识别系统及方法统计方法

优点：比较成熟能考虑干扰噪声等影响识别模式基元能力强缺点：对结构复杂的模式抽取特征困难不能反映模式的结构特征，难以描述模式的性质难以从整体角度考虑识别问题§1.2模式识别系统及方法统计方法

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：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。

受人脑组织的生理学启发而创立§1.2模式识别系统及方法神经网络方法（NeuralNetwork）由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以在不同的神经元之间传递增强或抑制信号。增强或抑制是通过调整神经元相互间联系的权重系数来实现。神经网络可以实现监督和非监督学习条件下的分类。利用人工神经元网络实现大规模并行计算，通过反馈式学习不断提高分类器性能--自适应、容错。§1.2模式识别系统及方法神经网络方法（NeuralNetwork）

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。§1.2模式识别系统及方法神经网络方法（NeuralNetwork）

模式描述方法：模糊集合

模式判定：是一种集合运算。用隶属度将模糊集合划分为若干子集，m类就有m个子集，然后根据择近原则分类。§1.2模式识别系统及方法模糊方法基于模糊数学理论，利用隶属函数描述事物的不确定性。使用模糊化的特征来进行模式分类，同时给出模糊化的分类结果，可结合统计方法或句法方法来使用。识别根据研究对象对于某模糊子集的隶属程度采用最大隶属原则识别法、择近原则识别法、模糊聚类分析法对模式进行识别。§1.2模式识别系统及方法模糊方法

优点：由于隶属度函数作为样本与模板间相似程度的度量，故往往能反映整体的与主体的特征，从而允许样本有相当程度的干扰与畸变。

缺点：准确合理的隶属度函数往往难以建立，故限制了它的应用。§1.2模式识别系统及方法模糊方法

模式描述方法：符号串，树，图

模式判定：是一种语言，用一个文法表示一个类，m类就有m个文法，然后判定未知模式遵循哪一个文法。通过考虑识别对象的各部分之间的联系来分类§1.2模式识别系统及方法结构方法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；通过检查组成句子的模式基元的序列是否遵守某种规则，即句法规则或语法，来确定模式的类别。§1.2模式识别系统及方法结构方法 如下图中一幅图形，要识别图中的物体，选用句法模式识别方法D墙壁NLTEZYXB地板M§1.2模式识别系统及方法结构方法D背景C景物A物体B背景C长方体E地板M三角形T面L面X面Y面Z三角体D

解：图形结构复杂，首先应分解为简单的子图（背景、物体）。构成一个多级树结构：墙壁N景物A墙壁NLTEZYXB地板M§1.2模式识别系统及方法结构方法D背景C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。§1.2模式识别系统及方法结构方法识别过程：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）。§1.2模式识别系统及方法结构方法

优点：识别方便，可以从简单的基元开始，由简至繁能反映模式的结构特征，能描述模式的性质对图象畸变的抗干扰能力较强

缺点：当存在干扰及噪声时，抽取特征基元困难，且易失误计算复杂度高§1.2模式识别系统及方法结构方法方法表达识别函数识别函数模板匹配样本，像元，曲线相关，距离度量分类错误统计方法特征决策函数分类错误神经网络样本，像元，特征网络函数均值方差错误模糊方法模糊矩阵隶属函数模糊分类错误句法方法基元规则，语法规则，语法接受错误§1.2模式识别系统及方法几种方法比较自动按品种分类传送带上的鱼类（(Sea

bass)和(Salmon））

§1.2模式识别系统及方法模式识别过程实例数据获取：架设一个摄像机，采集一些样本图像，获取样本数据。预处理：去噪声，用一个分割操作把鱼和鱼之间以及鱼和背景之间分开。特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量。长度、亮度、宽度、鱼翅的数量和形状等等…分类决策：把特征送入决策分类器。§1.2模式识别系统及方法模式识别过程实例SeabassPreprocessingFeatureExtractionSalmonClassification§1.2模式识别系统及方法模式识别过程实例图：训练样本的长度特征直方图图：训练样本的光泽度特征直方图§1.2模式识别系统及方法模式识别过程实例图：训练样本的光泽度特征和宽度特征的散布图§1.2模式识别系统及方法模式识别过程实例图：训练样本的光泽度特征和宽度特征的散布图§1.2模式识别系统及方法模式识别过程实例图：训练样本的光泽度特征和宽度特征的散布图§1.2模式识别系统及方法模式识别过程实例计算结果和复杂度分析，反馈特征选取模型选择开始数据采集训练和测试结束§1.2模式识别系统及方法模式分类器的评测过程训练集：是一个已知样本集，在监督学习方法中，用它来开发出模式分类器。测试集：在设计识别和分类系统时没有用过的独立样本集。系统评价原则：为了更好地对模式识别系统性能进行评价，必须使用一组独立于训练集的测试集对系统进行测试。§1.2模式识别系统及方法训练和测试改进判别规则识别学习识别结果输出未知模式的特征数据采集未知模式特征的选择特征维数的压缩模式分类训练模式样本的特征数据输入制定分类的判决规则训练模式样本的特征的选择和特征维数的压缩错误率检测§1.2模式识别系统及方法模式识别过程总结§1.1 模式识别基础§1.2 模式识别系统及方法§1.3 模式识别应用§1.4 模式识别基本问题模式识别第一章概论遥感：数字摄影测量，卫星影像处理；数字化地球文字：OCR技术(OpticalCharacterRecognition，光学字符识别)--版面分析；印刷体字符识别；联机手写体字符识别；脱机手写体字符识别可用于：信函分拣、文件处理、卡片输入、支票查对、自动排板、期刊阅读、稿件输入；在线手写字符的识别（联机），各种书写输入板。医疗诊断：心电图分析，脑电图分析，医学图像分析，染色体，癌细胞识别，疾病诊断。文本分类：搜索引擎；信息过滤§1.3模式识别应用第一章概论经济：国民经济分析；股市分析；企业运营的分析图像识别：反黄软件；目标识别和跟踪；条码识别；智能交通；火灾探测语音识别：语言控制；话音监控；语言－文字转换

三大障碍：大词汇量，连续语言，非特定人

生物特征识别：指纹、掌纹；虹膜；脸像；声音；笔迹自然语言处理：智能搜索引擎；机器翻译；语音界面§1.3模式识别应用§1.3模式识别应用数据挖掘和知识发现：从大量数据中提取出可信、新颖、有效并能被人理解的模式，找出最有价值的信息，指导商业行为或辅助科学研究。

军事：敌我识别；图像制导；自动侦察工业自动化：故障检测；过程控制；产品质量检验环境气象：气象卫星影像处理；地震分析；污染分析、大气、水源、环境监测§1.3模式识别应用§1.3模式识别应用§1.1 模式识别基础§1.2 模式识别系统及方法§1.3 模式识别应用§1.4 模式识别基本问题模式识别第一章概论模式识别的5个公认的假设（公设）模式（样本）表示方法模式类的紧致性相似与分类特征的生成数据的标准化§1.4模式识别基本问题第一章概论存在一个有代表性的样本集可供使用，以便获得一个问题范围。一个“简单”模式，具有表征其类别的类属性特征。一个类的模式，其特征在特征空间中组成某种程度上的一个集群域，不同类的特征组成的区域是彼此分离的。§1.4模式识别基本问题1.模式识别的5个公认的假设（公设）一个“复杂”模式具有简单的组成部分，它们之间存在着确定的关系。模式被分解成这些组成部分，且它们有一个确定的而不是任意的结构。如果两个模式的特征或其简单的组成部分仅有微小差别，则称两个模式是相似的。§1.4模式识别基本问题1.模式识别的5个公认的假设（公设）向量表示:假设一个样本有n个变量(特征)

矩阵表示:N个样本，n个变量(特征)

样本X1X2...XnX1X11X12...X1nX2X12X22...X2n...............XNXN2XN2...XNn变量样本