目标识别

1.模式识别方法的两大领域：决策理论方法和结构方法。第一类方法处理的是使用定量描绘子来描述的各种模式，如长度、面积和纹理等。第二类方法处理的是由定性描绘子来描述的各种模式。

2.模式和模式类：模式是描绘子的组合。在有关模式识别文献中经常使用特征来表示描绘子。模式类是指具有某些共同属性的一族模式。实践中常用的三种模式组合是向量（用于定量描述）、串和数（用于结构描述）。
在某些应用中，模式特性可由结构关系来很好地描述。例如，指纹识别基于痕迹特性的相互关系，这种相互关系称为细节。与它们的相对尺寸和位置一起，这些特性是描述指纹脊线特性的主要分量，如指纹的断点、分支、合并和不连续线段。这类识别问题通常用结构的方法会得到很好解决，因为这种问题不仅定量度量每种特性，而且这些特性间的空间关系决定了类别的成员。
串描述适于生成其结构是基于基元的较简单的连接，并且通常是和边界形状有关系的目标模式和其他实体模式。对许多应用来说，一种更有效的方法是使用树形描述。基本上，多数层次排序方案都会导致树结构。

3.基于决策理论方法的识别：决策理论方法识别是以使用决策（或判别）函数为基础的。令x表示一个n维模式向量。对于W个模式类ω1，ω2，…，ωW，决策理论模式识别的基本问题是依据如下属性来找到W个决策函数d1(x)，d2(x)，…，dW(x)：将x代入所有决策函数后，如果di(x)得到最大值，则称未知模式x属于第i个模式类。

4.匹配：基于匹配的识别技术通过一个原型模型向量来表示每个类。根据一种预先定义的度量，将一个未知模式赋予最接近的类。最简单的方法是最小距离分类器，此外还有一种基于相关的方法。

5.最佳统计分类器：贝叶斯分类器。阈值处理可视为一个贝叶斯问题，它最佳地将模式赋给两个类或多个类。最佳性要求已知每个类的概率密度函数和先验概率，估计这些密度并不容易，如果必须作出假设（譬如假设为高斯密度），则在分割中所能实现的最佳程度，与这些假设接近真实情况的程度成正比。

6.神经网络：
前面的方法基于使用样本模式来估计每个模式类的统计参数。最小距离分类器完全由每个类的均值向量来确定。对于总体为高斯分布的贝叶斯分类器完全由每个类的均值向量和协方差矩阵确定。用于估计这些参数的（已知其所属的类）模式通常称为训练模式，来自每个类的这样一组模式称为训练集。使用训练集得到决策函数的过程称为学习或训练。
在刚才讨论的两种方法中，训练是一件简单的事情。每个类的训练模式被用于计算对应于该类的决策函数的参数。估计出问题中的参数后，分类器的结构就被固定，且其最终的性能将取决于实际模式总体是否满足所用的分类方法推导中所做的统计假设。
一个问题中的模式类的统计特性通常是未知的，或者是无法估计的。实际上，此类决策理论问题最好由直接通过训练生成所需决策函数的方法来处理。然后，就没有必要再做关于基本的概率密度函数或关于所考虑模式类的其他概率信息的假设。

7.结构方法：匹配形状数、串匹配。