《模式识别89688.doc》由会员分享，可在线阅读，更多相关《模式识别89688.doc（4页珍藏版）》请在金锄头文库上搜索。
1、特征选择和提取的目的：经过选择或变换，组成识别特征，尽可能保留分类信息，在保证一定分类精度的前提下，减少特征维数，使分类器的工作即快又准确（1） 特征选择：从L个度量值中按一定准则选出供分类用的子集，作为降维（m维，m L）的分类特征。一般根据物理特征或结构特征进行压缩（2） 特征提取：使一组度量值 通过某种变换 产生新的m个特征 ，作为降维的分类特征，其中 一般用数学的方法进行压缩1） 模式：对某些感兴趣的客体的定量的或结构的描述。模式类是具有某些共同特性的模式的集合。2） 模式类：把模式所归属的类别称为模式类3） 模式识别：研究一种自动技术，依靠这种技术，计算机将自动地（或人尽量少地干涉）
2、把待别识模式分配到各自的模式类中去 特征选择：在原始特征基础上选择一些主要特征作为判别用的特征。 特征提取：采用某种变换技术，得出数目上比原来少的综合特征作为分类用，称为特征维数压缩，习惯上亦称特征提取。 监督分类：利用判别函数进行分类判别。需要有足够的先验知识。 非监督分类：用于没有先验知识的情况下，采用聚类分析的方法。聚类分析：根据模式之间的相似性对模式进行分类，是一种非监督分类方法确定聚类准则的两种方式：聚类： 用事先不知类别的样本，利用样本的先验知识来构造分类器（无监督）分类：用已知类别的样本训练集来设计分类器（监督分类法）1. 阈值准则：根据规定的距离阈值进行分类的准则。2. 函数准
3、则：利用聚类准则函数进行分类的准则。 聚类准则函数：在聚类分析中，表示模式类间相似或差异性的函数。训练：用已知类别的模式样本指导机器对分类规则进行反复修改，最终使分类结果与已知类别信息完全相同的过程。（3） 分析分类结果：只要有一个错误分类，回到（2），到对所有样本正确分类。线性判别分类器的设计步骤：A 选择类别标志明确的样本集合R=x1，x2，.，xn作为训练，样本集合。B 确定准则函数J，满足：1.J是R w1 w0的 函数；2，J的最优值满足分类要求C 最优化的方法求J的极值解w*和w*0汽车牌照识别:输入的车牌图像首先进行预处理，即进行滤波降噪，灰度修正，边缘检测等处理，然后利用车牌区
4、域特征检测车牌的大概位置，完成车牌初定位，再进行二值化，进行横纵向投影，确定车牌的边框，最后利用形态学变化处理掉车牌边框，从而定位车牌区域1 车牌定位：a纹理特征 b投影特征 1.1边缘检测：将读入的彩色图像灰度化，用中值滤波方法去除噪声，用边缘检测算子能有效的检测边缘像素，然后对其二值化，最后利用模板对其水平膨胀处理，使纹理更加明显 1.2 投影定位：根据牌照的投影特征，从水平投影成像中检测到连续的波峰区域，从垂直投影图中检测出密集峰群区域2 字符分割：将牌照中的字符独立提取出来，首先在锁定的牌照位置上恢复牌照的灰度图像，然后最大限度的区分字符和背景，根据需要处理的结果进行反色处理和倾斜校正
5、，最后根据字符和边框的投影特征进行字符分割 2.1 二值化处理 2.2 牌照反色2.3倾斜校正2.4字符分割类条件概率密度函数P（x|w1）:类条件概率密度函数是指在已知某类别的特征空间中，出现特征值X的概率密度，即第wi类样品它的属性X是如何分布的。Fisher准则：对d维空间的样本，投影到一维坐标上，样本特征将混杂在一起，难以区分，如果寻找一个投影方向，使得样本集合在该投影方向上最易区分，就是fisher准则的基本原理,准则函数：。感知函数：准则函数：模式识别系统：由数据获取，预处理，特征选择与提取，分类决策及分类器设计组成，分为上下两部分，上半部分完成未知类别模式的分类，下半部分属于设计
6、分类器的训练过程，利用样品进行训练，确定分类器的具体参数，完成分类器的具体设计，而分类决策在识别中起作用，对待识别的样品进行分类决策。【数据获取，预处理，特征提取，分类决策，分类结果，训练样本输入，预处理，特征选择，确定判别函数，误差检验，改进判别函数，确定判别函数】。线性分类器设计步骤及常用准则：（1）建立特征空间的训练集，已知训练集中每个点所属类别（2）从条件出发，寻求某种判别函数，设计判决函数模型（3）根据训练集的样品确定模型中的参数（4）将这一模型用于判别，利用判别函数或判别准则去判别每个未知类别的点应该属于哪一个类。常用准则：最小错误率准则，最小风险准则，近邻准则，fisher准则，均方差最小准则，感知准则等。欧氏距离简称距离，模式样本向量 x与y之间的欧氏距离定义为： d为特征空间的维数。马氏距离定义：马氏距离的平方 其中，为均值向量，为协方差矩阵。将判别函数化为广义线性判别函数：，有，则线性判别函数为：.求最小风险贝叶斯步骤：1）根据先验概率P（Wj）和类条件概率，计算后验公式：，i=1，c2） 根据损失函数,计算条件风险：3） A个条件风险中，最小的为，则 即为最小风险贝叶斯。
