|
模式識(shí)別誕生于20實(shí)際20年代，隨著40年代計(jì)算機(jī)的出現(xiàn)，50年代人工智能的興起，模式識(shí)別在60年代初迅速發(fā)展成為一門學(xué)科。簡(jiǎn)單點(diǎn)說，模式識(shí)別是根據(jù)輸入的原始數(shù)據(jù)對(duì)齊進(jìn)行各種分析判斷，從而得到其類別屬性，特征判斷的過程。為了具備這種能力，人類在過去的幾千萬年里，通過對(duì)大量事物的認(rèn)知和理解，逐步進(jìn)化出了高度復(fù)雜的神經(jīng)和認(rèn)知系統(tǒng)。舉例來說，我們能夠輕易的判別出哪個(gè)是鑰匙、哪個(gè)是鎖，哪個(gè)是自行車、哪個(gè)是摩托車；而這些看似簡(jiǎn)單的過程，其背后實(shí)際上隱藏著非常復(fù)雜的處理機(jī)制。而弄清楚這些機(jī)制的作用機(jī)理正是模式識(shí)別的基本任務(wù)。 那么，到底什么是模式呢？廣義地說，模式是存在于時(shí)間和空間中的可觀察的事物，如果我們可以區(qū)別它們是否相同或者是否相似，那我們從這種事物所獲取的信息就可以稱之為模式。人們?yōu)榱苏莆湛陀^的事物，往往會(huì)按照事物的相似程度組成類別，而模式識(shí)別的作用和目的就在于把某一個(gè)具體的事物正確的歸入某一個(gè)類別。 下面我們舉一些例子來說明，到底哪些是模式識(shí)別的范疇： 1．將鉛筆、鋼筆、圓珠筆、毛筆、彩筆都?xì)w類為書寫用的“筆”； 2．醫(yī)生根據(jù)心電圖化驗(yàn)單來判斷病人是否得心臟?。?br style="word-wrap: break-word; "> 3．警察根據(jù)指紋來進(jìn)行身份驗(yàn)證； 4．利用計(jì)算機(jī)進(jìn)行字符識(shí)別； 5．根據(jù)用戶的虹膜進(jìn)行身份識(shí)別； 6．判斷當(dāng)前用戶發(fā)出的聲音是什么字符； 7．判斷當(dāng)前圖片中是否有行人、人臉、車輛等； 8．對(duì)出現(xiàn)在圖片序列中的行人、車輛進(jìn)行跟蹤； 9．對(duì)圖片中的人臉進(jìn)行身份識(shí)別驗(yàn)證； 10．對(duì)車輛的拍照進(jìn)行識(shí)別； 11．判斷車輛的顏色、車型； 12．在海量圖片庫當(dāng)中尋找與某一張圖片相似的若干圖片； 13．根據(jù)用戶哼唱的音調(diào)搜索對(duì)應(yīng)的歌曲； 。。。。。 一個(gè)典型的模式識(shí)別系統(tǒng)可以分為下圖所示的幾個(gè)模塊：  （1）數(shù)據(jù)采集 顯然，數(shù)據(jù)的采集是進(jìn)行生物識(shí)別驗(yàn)證的前提條件。一個(gè)性能良好的生物特征識(shí)別系統(tǒng)一定需要首先捕獲到好的生物特征數(shù)據(jù)。利用這些數(shù)據(jù)，我們就可以進(jìn)行后續(xù)的預(yù)處理、特征提取、特征選擇等工作。一般來說，這里的數(shù)據(jù)采集肯定需要借助相應(yīng)的硬件設(shè)備，諸如，聲音傳感器、圖像傳感器等等。如果傳感器的靈敏度不高，或者傳感器的精確度不高，那么勢(shì)必會(huì)對(duì)所采集到的數(shù)據(jù)產(chǎn)生一定的噪聲污染。這樣一來，盡管可以通過后續(xù)的預(yù)處理來減弱甚至消除一部分噪聲，但是，終究無法做到完全去除噪聲的干擾。所以，數(shù)據(jù)采集部分應(yīng)該盡量保證所得到的數(shù)據(jù)純正、干凈。通常我們可以采集相當(dāng)數(shù)量的數(shù)據(jù)，并從中選擇最優(yōu)、最好、最具有代表性的數(shù)據(jù)來作為原始的輸入。這樣，就從源頭上保證了數(shù)據(jù)取樣對(duì)最終生物識(shí)別驗(yàn)證系統(tǒng)的干擾最小。 另外，需要注意的是，針對(duì)不同的生物特征，數(shù)據(jù)采集的方法和原理是不同的。比如，虹膜識(shí)別系統(tǒng)是通過分析人的虹膜表面不同區(qū)域不同的紋理分布來進(jìn)行分類辨別的。而掌紋識(shí)別，則是基于人的手掌脈絡(luò)的不同分叉、線條的粗細(xì)等特征為依據(jù)來進(jìn)行最終的識(shí)別。筆跡識(shí)別則是利用了不同的人在簽名時(shí)筆劃的長(zhǎng)度、角度、偏移，握筆的力度、書寫時(shí)的速度，加速度等特征來進(jìn)行區(qū)分的。 （2）預(yù)處理 在基于統(tǒng)計(jì)方法的生物識(shí)別技術(shù)領(lǐng)域，所謂的預(yù)處理一般是指去除噪聲的干擾，加強(qiáng)有效信息的過程。前面已經(jīng)提到，原始數(shù)據(jù)的采集不可避免的要引入一些噪聲的干擾，對(duì)于一個(gè)實(shí)際的生物識(shí)別系統(tǒng)而言，預(yù)處理是一個(gè)必要的環(huán)節(jié)。但是，需要注意的是，雖說預(yù)處理的作用都是減弱甚至消除噪聲的干擾，同時(shí)增強(qiáng)有用信息的強(qiáng)度，不過，針對(duì)不同的特征，預(yù)處理的方法也是千差萬別。 （3）特征提取 一般來說，從傳感器得到的數(shù)據(jù)屬于原始測(cè)量空間的數(shù)據(jù)，而原始測(cè)量空間的數(shù)據(jù)是無法直接進(jìn)行判別分類的，或者說，直接利用原始測(cè)量空間得到的數(shù)據(jù)進(jìn)行判別分類往往達(dá)不到期望的效果。通常來說，我們需要將數(shù)據(jù)從原始的測(cè)量空間“變換”到二次空間，而這個(gè)二次空間，研究人員一般將它稱為特征空間。將數(shù)據(jù)從原始空間變換到特征空間后，我們就得到了表征某模式的二次特征，一般我們所指的特征就是這里所謂的二次特征。 （4）特征選擇 數(shù)據(jù)從原始空間變換到特征空間后，得到了二次特征，而這里的二次特征不一定就是我們需要的特征，或者，變換得到的二次特征對(duì)最終的分類判別不一定有很好的作用。而特征選擇的作用就是從若干二次特征中挑選對(duì)模式的最終分類判別最有幫助或者分類效果最后的一部分二次特征。不難發(fā)現(xiàn)，這里的特征選擇，實(shí)際上是一個(gè)尋優(yōu)問題。 （5）分類判別 在得到了對(duì)分類最有幫助的二次特征之后，最終需要做的就是對(duì)二次特征進(jìn)行分類判別。一般而言，簡(jiǎn)單點(diǎn)的分類判別方法是將特征表示為向量的形式，然后，利用諸如歐氏距離、馬氏距離、卡方距離、范數(shù)等手段來計(jì)算任意兩個(gè)向量之間的相似性，之后，根據(jù)計(jì)算得到的向量的相似性來進(jìn)行分類判別。復(fù)雜點(diǎn)的分類判別方法是利用SVM、ANN、CART、SNOW等方法將特征進(jìn)行某種線性或者非線性的變換，從而在變換后的空間進(jìn)行二次分類。 |
|
|
