模式识别模板匹配法.ppt
模式识别模板匹配法现在学习的是第1页,共25页第二章第二章:模板匹配法模板匹配法现在学习的是第2页,共25页基本概念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)3现在学习的是第3页,共25页基本概念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维几何空间观测向量观测值4现在学习的是第4页,共25页基本概念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特征向量特征值5现在学习的是第5页,共25页特征空间鲑鲑 鱼鱼鲈鲈 鱼鱼6现在学习的是第6页,共25页基本概念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7现在学习的是第7页,共25页基本概念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样本相似度欧氏距离平方和距离绝对值距离加权距离8现在学习的是第8页,共25页基本概念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:X1X29现在学习的是第9页,共25页基本概念基本概念平方和距离绝对值距离(曼哈顿距离)10现在学习的是第10页,共25页基本概念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11现在学习的是第11页,共25页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)设置识别门限值以待识样本与模板向量之间的相似度(距离)为识别准则12现在学习的是第12页,共25页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,得到特征向量计算待识样本特征向量与模板向量X1,X2,XC之间的距离 D1,DC若Di=min Dj,j=1,2,C,且 Di,则判样本属于第i类,,记为i若所有Di(i=1,2,C)均大于,则拒识。13现在学习的是第13页,共25页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14现在学习的是第14页,共25页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15现在学习的是第15页,共25页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样本本身的空间分布传输处理过程中的噪声和干扰传输处理过程中的噪声和干扰16现在学习的是第16页,共25页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17现在学习的是第17页,共25页统计模式识别基础先验概率 设有C个类别的识别问题(1,2,c),则i 类发生(出现)的概率P(i)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18现在学习的是第18页,共25页统计模式识别基础类概率密度 指在已知样本类别为i 的条件下,特征向量在特征空间X处发生的概率,记为P(X/i)。显然:P(X/i)随X的变化函数称为第 i 类的类概率密度函数。19现在学习的是第19页,共25页统计模式识别基础一维二类情况下的类概率密度函数一维二类情况下的类概率密度函数20现在学习的是第20页,共25页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21现在学习的是第21页,共25页统计模式识别基础根据先验知识的多少,将统计方法分为:统计决策法Bayes决策法参数估计法非参数估计法线性判别函数22现在学习的是第22页,共25页统计模式识别基础Bayes决策法已知各类样本的先验概率P(i)及类概率密度P(X/i)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/i)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23现在学习的是第23页,共25页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24现在学习的是第24页,共25页统计模式识别基础鲑鲑 鱼鱼鲈鲈 鱼鱼线性判别函数线性判别函数决定的分界面决定的分界面25现在学习的是第25页,共25页