模式识别应用.doc

1。模式识别的基本概念
模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息,模式所属的类别或同一类中的模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动的（或人为进行少量干预)将待识别的模式分配到各个模式类中的技术。

图1模式识别的基本过程
模式识别的研究主要集中在两方面，一是研究生物体（包括人)是如何感知对象的,二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家的研
究内容,属于认知科学的范畴;后者通过数学家、信息学专家和计算机科学工作者近几十年的努力，已经取得了系统的研究成果。

２．模式识别的应用
经过多年的研究和发展，模式识别技术已广泛应用于人工智能、计算机工程、机器学、神经生物学、医学、侦探学以及高能物理、考古学、地质勘探、宇航科学和武器技术等许多重要领域，如语音识别、语音翻译、人脸识别、指纹识别、手写体字符的识别、工业故障检测、精确制导等。
2。1细胞识别
细胞识别是最近在识别技术中比较热门的一个话题.以前,对疾病的诊断仅仅通过表面现象，经验在诊断中起到了主导作用，错判率始终占有一定的比例;而今,通过对显微细胞图像的研究和分析来诊断疾病,不仅可以了解疾病的病因、研究医疗方案,还可以观测医疗疗效.如果通过人工辨识显微细胞诊断疾病也得不偿失，费力费时不说,还容易耽误治疗.基于图像区域特征,利用计算机技术对显微细胞图像进行自动识别愈来愈受到大家的关注,并且现在也获得了不错的效果。但实际中，细胞的组成是复杂的，应该选择更多的特征,建立更为完善的判别函数,可能会进一步提高分类精度。最近我们有一个项目中就是关于细胞识别的。下面给出识别白细胞的例子。

图２．1白细胞上识别
2。2人脸识别
（一)几何特征的人脸识别方法。人脸识别是人类认知自然世界的基本功能。如何构建一个能够模仿人类感知、自动识别人脸的计算机系统，一直是人工智能领域的经典问题.人脸表情识别算法中,需要提取几何特征。研究人脸识别问题，当人脸的表情发生很大变化时,提取的三维几何特征会发生较大变化,造成识别准确度很低，影响识别效果。为解决上述问题，提出了一种改进几何特征的三维人脸识别方法。常采用的几何特征有人脸的五官如鼻子、眼睛、嘴巴等的局部形状特征。脸型特征以及五官在脸上分布的几何特征。其特征提取以人脸面部特征点(如眼睛、眉毛、鼻子和嘴)的形状和几何关系为基础。对于不同的人来说,面部特征点和人脸轮廓的形状、大小、相对位置和分布的情况各不相同。几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小。通过求出人脸几何特征差异的关联程度,计算哪种三维几何特征变化与识别结果是无关的,哪种与识别结果是关联的,解决了人脸表情变化时的准确三维识别问题进行仿真。结果表明，改进方法实现识别高效,可使得三维人脸识别的准确度大大的提高，为设计提供了支持。因此,在环境不可控的情况下，人脸识别中光照问题仍然是一个极富有挑战性的问题。
（二)近红外图像的多光源人脸识别技术。
人脸识别考勤技术与多光源识别技术的结合,是人脸识别技术应用当中一个飞跃性的突破,它标志着人脸识别考勤产品从此将不受时间影响，昼夜均可进行识别工作。人脸与人体的其他生物特征(如指纹、虹膜等）一样与生俱来,它的惟一性和不易被复制的良好特性为身份鉴别提供了必要的前提。与其他类型的生物识别比较，人脸识别具有无须被采集对象配合、无须采集对象和设备直接接触、可以在同一场景中对多个人脸进行分拣、判断及识别等优点.在诸多影响人脸识别性能的因素中，环境光照的变化是人脸识别领域最具挑战性的难题.人脸图像的外观会随着光照条件的变化而发生剧烈的变化,甚至这种变化往往要大于由于人的不同所引起的差异.目前人脸识别系统在比较理想情况下可以取得较高的识别率,但如在摄像环境不可控和用户不配合的情况下使用,其识别性能会大大下降。
(三)我们实验室的研究
我们实验室，研究人脸最多的是尹建芹老师。下图就是其所作的基于Adaｂoｏｓt的人脸检测.Ａdａｂoｏst算法的特点