智能模式识别范文

智能模式识别范文第1篇

模式识别与智能系统是二十世纪八十年代发展起来的新型交叉学科，该学科包含自动控制、模式识别、人工智能、模糊逻辑、仿生学和计算机科学等多种学科。该学科以信息处理与模式识别的理论技术为核心，探索对各种信息进行处理、分类、理解，并在此基础上构造出具有某些智能特性的系统或装置的方法、途径与实现。该学科在经济建设和国防建设具有广泛的实际背景，二十多年来，已引起了国内外有关学者的极大重视，被称其为面向二十一世纪的控制科学。

本学科点开始于我校省级重点学科计算机应用学科，从该学科人工智能方向发展而来。最早的团队可以追溯到二十世纪八十年初，从承担航空基金立体仓库机器人开始。经过近三十年的发展，该学科逐步形成了稳定的研究方向，于2003年从计算机应用学科独立出来，成为独立的学科，2005年获得“模式识别与智能系统”硕士学位授予权。主要研究方向包括：神经网络与模式识别、图象处理与模式识别、智能机器人与人工智能和智能检测与智能控制等。当前正在筹建“自主武器技术平台研究中心”，这是目前我省唯一一所高等院校首次建立的平台研究中心，中心下设6个实验室分别为飞行器仿真与模拟技术实验室、智能机器人与目标探测技术实验室、综合健康管理技术实验室、任务设备检测技术实验室、武器应用环境仿真实验室和导弹实验室，其中，导弹实验室近2-3年内投资200万多万元，购置了3枚导弹等，实验室已初具规模。本学科主要关注与武器平台自主运行有关的技术，即主要关注：自主控制、环境感知、导航制导、保障与健康管理、电源、部分任务的关键技术研究和工程验证研究，逐步发展对平台总体设计、搭载任务武器等技术研究和工程验证。本学科具有一定师资力量基础，现拥有双聘院士1人，博士生导师5人(外校兼职，本学科点没有博士授予权)，硕士生导师9人，教授12人，副教授16名，其中，具有博士学位的教师有20名。目前本学科点已培养硕士研究生10多名，学科梯队结构合理，整体实力强。

智能模式识别范文第2篇

现代科技发展已经成为世界各国综合国力建设中不可或缺的发展战略。模式识别和智能信息处理技术是在现代人工智能基础上研发的新型科技。随着我国教育教学体制改革的逐步深入, 加之我国社会主义经济市场改革加剧了各行业领域企业市场竞争, 促使各行业领域之间的竞争已经逐步朝着专业技术人才竞争方向不断发展, 因此, 现代高校电子计算机以及智能信息处理专业, 务必要加强模式识别与智能信息处理实践课平台设计实现教学。模式识别和智能信息处理实践课程, 显而易见由模式识别和智能信息处理两方面实践教学构成, 其中模式识别实践内容是具体的, 但智能信息处理实践内容涵盖的范围较为广泛, 包含了模式识别、流程规划之外的高端人工智能、数字影像处理、模糊数学等内容, 每部分内容均具备很强的关联性, 共同组合在一起就形成了一个相互联系又交叉融合的职能信息处理课程。由此可见, 模式识别与智能信息处理实践课程具备很强的综合性, 要想确保专业学生全面吸收理论知识的同时, 熟练运用所学理论知识展开实践操作, 现代高校务必要加强模式识别与智能信息处理实践课平台设计实现教学工作, 只有这样才能够为国家和社会培养更多的应用型专业实践人才。

二、模式识别与智能信息处理实践课平台设计实现的有效策略

(一) 全面把握互联网运行关键点, 建设系统的实践平台设计教学体系

模式识别和智能信息处理实践课程教学和其他专业课程教学相比较, 其各部分知识难点、重点之间有着很大的关联性, 要想提高学生综合实践能力, 就务必要做好先导知识的引导教学, 这就要求实际模式识别与智能信息处理实践课平台设计过程中, 专业教师务必要全面把握互联网运行关键点, 建设系统的实践平台设计教学体系。比如, 在非数值数据处理以及深入发掘设计教学中, 专业教师就要率先就数值数据处理进行模式识别后再进行, 模糊数学则要在识别前进行, 这样的主要原因在于模糊模式识别是模式识别系统中的一个分支, 只有严格遵循互联网运行关键点以及相关原则规律, 才能够确保实践课程平台设计应用的可行性。

(二) 科学构建实践课程教学标准, 强化实践平台设计实现的整体效果

纵观当前高校模式识别与智能信息处理实践课平台设计工作, 绝大多数高校都缺乏一个标准的实践课程教学标准, 实际实践平台内容设计以及课时设计较为混乱, 直接导致学生在实际模式识别与智能信息处理实践操作过程中, 不仅缺乏具体实践操作目标, 还缺乏实践操作时间的限制, 直接导致大部分学生对实践操作课程不重视。因此, 现代模式识别与智能信息处理实践课平台设计工作中, 教育教学管理人员一定要科学构建实践课程教学标准, 全面根据专业学习要求和最终目标为学生设计实践操作内容和目标, 并对学生实实操时间进行限定, 从而让学生在有限时内对相关实践内容进行自主探究学习, 以提高学生的综合应用能力和专业危机意识, 进而激发学生的创新学习发展意识, 进一步强化实践平台设计实现的整体效果

(三) 合理编制实践课程教学内容, 提升实践平台具体问题的处理能力

现阶段, 模式识别与智能信息处理实践课平台已经设计了包含模式识别、影像处理、神经网络、进化核算等在内的主要内容, 已经具备了能够让学生利用所学知识处理具体问题的辅助功能。但要想大幅度提高学生模糊识别与智能信息处理的综合应用能力, 实际平台设计工作中还要从根本上保证合理编制实践课程教学内容, 让平台中包含的实践操作项目内容在贴近模式识别与智能信息处理理论应用的同时, 更贴近专业学生未来实际工作中可能遇到的具体问题, 只有这样才能够全面提升实践平台具体问题的处理能力, 从而让学生在实践操作中辅助其强化自身综合运用能力。

(四) 加强健全的电子资源教学网, 促进实践平台设计应用的便捷性

健全的电子资源教学网络, 能够为学生提供更加便利的信息检索渠道, 从而更好地适应现代科技发展给模式识别以及智能信息处理实践设计增添的新内容, 更好因对其应用范围广、知识面宽、内容功能更新速度快等特点, 从而有效填补模式识别与智能信息处理实践内容以及时间方面的不足。此外, 电子资源教学网络的健全, 还能够加大学生专业实践学习训练力度的同时, 确保学生能够在第一时间了解并掌握到专业范围内最先进、最高效的技术手段, 对提高现代高校模式识别与智能信息处理专业学生的专业技术能力有着极其重要的促进作用。

三、结束语

综上所述, 现代模式识别与智能信息处理实践课平台设计实现教学改革工作中, 教学管理人员以及专业授课教师一定要全面把握互联网运行关键点, 建设系统的实践平台设计教学体系, 并科学构建实践课程教学标准, 强化实践平台设计实现的整体效果, 合理编制实践课程教学内容, 提升实践平台具体问题的处理能力, 同时不断加强健全的电子资源教学网, 促进实践平台设计应用的便捷性, 进而有效保证模式识别与智能信息处理实践课平台设计实用性, 以培养相关专业学生综合全面地发展。

摘要：近年来, 我国现代科学技术得到了前所未有的创新发展, 智能信息处理技术以及模式识别技术已经在各行业领域中得到了广泛应用。随着我国社会主义市场经济体制改革的逐步深入, 企业竞争已经逐步转变成专业技术人才的竞争, 因此, 现代高校加强模式识别与智能信息处理实践课平台设计实现教学至关重要。本文主要就模式识别与智能信息处理实践课平台设计实现教学的主要价值进行分析, 并提出了模式识别与智能信息处理实践课平台设计实现的有效策略, 望对未来模式识别与智能信息处理实践课平台设计提供相应借鉴。

关键词：模式识别,智能信息处理,实践课程,平台设计

参考文献

[1] 徐浩智.人工智能在模式识别中的关键技术[J].电子技术与软件工程, 2018 (2) :247.

[2] 叶凤华.智能模式识别采摘机器人设计基于图像聚类和情感模糊计算模型[J].农机化研究, 2018.

智能模式识别范文第3篇

一，文献综述报告

阅读至少5篇论文(最好包含1篇英文论文;自己去学校电子图书馆下载，考虑中国知网;IEEE，Elsevier等数据库)，写一篇文献综述报告。

1. 选题不限，可以是任何一种模式识别算法(例如k-means，kNN，bayes，SVM，PCA，LDA等)，阅读所选题方面的相关文献(论文都是关于一个主题的，例如都是svm算法方面的)。

2. 写一份文献综述报告，包括：每篇论文主要使用什么算法实现什么，论文有没有对算法做出改进(为什么改进，原算法存在什么问题，改进方法是什么)，论文中做了什么对比试验，实验结论是什么?注意，尽量用自己的话总结，不要照抄原文。可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法?

3. 把阅读的参考文献写在报告后面。(包括：作者;论文名称;期刊名称;出版年，卷号(期号)，页码。例如：[1] 赵银娣，张良培，李平湘，一种纹理特征融合分类算法，武汉大学学报，信息科学版，2006,31(3):278-281. )

二、写一下学习这门课的心得体会(占分数)。

智能模式识别范文第4篇

数字经济快速发展, 气候变化、环境监管日趋严格, 可再生能源分布式发电资源数量不断增加等诸多因素促成了电网智能化的发展的不可逆转趋势。但信息网络技术融入到传统的电力网络当中, 必然存在着与信息网络行业类似的风险, 智能电网的安全稳定性成为人们担忧的新问题。

1 智能电网与智能用电

简单地说, 智能电网是将数字信息网络技术融入到传统的电力网络当中, 包括利用传感器对发电、输电、配电、供电等关键设备的运行状况进行实时监控;把获得的数据通过网络系统进行收集、整合;最后通过对数据的分析、挖掘, 达到对整个电力系统运行的优化管理的全过程。

建设智能电网, 对电力企业来说, 不再需要技工大队四处奔波、收集用户资料, 只需借助各类智能表采集的大量数据。而且通过这些数据, 电力企业还可以直接监控电力需求, 完成对电网设备健康状况和电网的完整性进行评估, 对潜在的危险进行预警和有效的规避, 发布实时电价和优惠政策等等。对用户来说, 用户可利用峰、谷电价的差异自主定制用电方案, 在自家电表上就可以实时查询当前电价和剩余电费金额, 智能电表自动报警提醒用户缴费充值等等, 各种便捷毋庸置疑。

凡事有利必有弊。与传统电网的比较, 智能电网最大的特点是改变传统电网单向输送的模式, 每一个用户终端都成为电网上活跃的结点。智能电网之所以智能, 正是依赖这些与网络相连的“终端”。如果黑客可以在任何计算机和软件系统中找到漏洞, 那么他们同样可以在智能电网设备中找到。中国电力科学研究信息专家高昆仑在2014电力行业信息化年会上表示, 传统的电力网络信息安全停留在电力行业内部, 但智能电网已经把安全边界推向了最终的用户。

2 来自用户侧的信息安全隐忧

让用户状态高度信息化是电网智能化的需要, 这当然对为保障智能电网的安全、可靠和经济运行有重要意义。但这些信息同时也可能对消费者的信息安全造成极大的威胁。

智能电表能帮助用户合理选择用电方式, 降低费用支出, 而在高级量测体系的实现中, 智能电表会自动的收集大量的信息并将信息传送给电力公司、消费者和第三方服务提供商。这些数据可能包含侵害个人隐私的个人识别信息。根据一项为NIST进行的隐私影响分析中的描述, “数据项会从分布式的能源资源处被收集, 并且智能仪表会显示不同居民消费和居民活动的数据。”详尽的电能使用信息会给个人和组织了解消费者的习惯提供帮助。许多消费者会意识到收集和分析这类数据带来的潜在的影响。而他们并不会把这些信息与某个实际的威胁联系起来。但是, 如前文“智能窃贼”部分中所描述的, 恶意人员会利用消费者个人识别信息来对消费者实施盗窃和其他恶意行为。

例如, 张某是某电力公司的客户, 电力公司利用智能电网向张提供实时的能源使用数据。如果不法分子将张某定为他的目标, 侵入张某的网络终端来监视他的电能使用情况。通过一个时间段的数据收集与分析, 根据用电数据变化很容易推断出张某的作息时间及生活规律, 从而找到盗窃的最佳时机。

还比如, 在智能电网生活中, 邻居之间的不和谐会在没有任何指纹的情况下完成攻击。假设一个简单的场景, 甲的邻居乙电视声音开的过大, 打扰到甲的正常休息。甲就可能通过乙智能仪表的远程切断功能切断乙的电源, 让乙的电视“休息”了。

这些只是用户信息稍加利用就可以带来的危害, 来自用户的信息安全隐忧应远不止这些, 大数据技术可以带来更多个人信息的恶意利用。

3 用户信息安全需求环节

用户侧信息安全应该是智能电网信息安全的主要体现之一。毫无疑问, 最好的防御方式是提高安全水平, 既要强化信息管理的安全意识, 更要有规划、成体系的安全防御部署, 做到技术与管理并重, 包括构建特种木马防御体系、密码技术等, 确保从信息采集、传输到储存、处理全过程的安全。

第一, 信息采集安全。目前, 无线传感器网络是智能电网信息获取主要平台, 智能电网信息采集系统主要由电表数据采集终端、集中器和物业中心的计算机组成。一般原理是:采集器通过无线传感器网络与集中器和其他采集器建立联接;集中器将接收到的数据信息进行压缩整理后, 存储并通过GPRS接入Internet, 传送给工作站;抄表工作站负责从Internet上获取集中器发送来的数据, 并对其进行解压整理, 然后通过内部交换机更新用户档案数据, 并由监察器显示出相应用户的用电信息。这一过程的关键环节是终端智能表计的破解与控制防御, 一旦这些设备受到控制, 攻击者既可以利用智能终端向电网提供虚假用电信息, 影响电网供给数据, 又可以通过其向用户提供不合理的电价信息, 影响用户的用电方式。极端情况下, 还可以使大量智能表计与电网断开通信, 使电网无法实时掌握系统用电情况, 从而造成更大的事故。所以, 从采集终端到集中器的通信, 必须满足及时可靠, 低功耗, 反作弊能力强的要求。

第二, 信息传输安全。这里主要强调信息的传输媒介, 包括无线网络、有线网络及移动通信网络的安全使用。建立高速、双向、实时、集成的通信系统是实现智能电网的基础:一方面, 大量从智能表计获得的数据需要通过高速通信网络及时地传输到数据处理中心;另一方面, 电力企业也需要将电价信息和相关政策通过通信系统实时地进行发布。相比于传统电网, 智能电网中需要监测和控制的设备数量更多, 分布更广, 为了实现全面和实时的监控, 成本低廉的无线通信网和分布广泛的公用因特网将在智能电网通信系统中占有越来越多的比重, 通过无线网络和公用因特网可以方便地构建多通道的冗余通信网络, 从而实现可靠的通信。然而, 电力系统中公用网络的大量接入为恶意攻击提供了更多的入口。由于无线网络的安全标准目前尚处在早期应用阶段, 有许多已经暴露出来的安全性漏洞还没有得到妥善解决, 信息传输的安全性需要特别关照。

第三, 信息处理安全。此环节大致包括三个方面:一是存储安全。存储可以分为本地存储和网络存储, 本地存储需要设置文件透明加密存储功能和加密共享功能, 并实现文件访问的实时解密, 严格界定每个用户的读取权限, 这更多依赖于管理。重点是网络储存。网络存储目前主要分NAS、存储区域网络与IP存储3类。目前, 在文件系统层上实现网络存取安全是最佳策略, 既可以保证数据在网络传输中和异地存储时的安全, 又对上层的应用程序和用户来说是透明的。二是容灾备份。一般容灾备份可以分为数据级别、应用级别和业务级别, 智能电网业务的实时性需求很强, 应当选用业务级别的容灾备份。整个智能电网构建一个集中式的容灾备份中心, 为各地区运营部门提供一个集中的异地备份环境。各部门将自己的容灾备份系统托管在备份中心, 不仅要支持近距离的同步数据容灾, 还必须能支持远程的异步数据容灾。对于网络的关键节点, 要能够实时切换。同时, 网络还要具有一定的自愈能力。三是访问控制和授权管理。访问控制技术分自主访问控制、强制访问控制、基于角色的访问控制三类。基于角色的访问控制即授予用户的访问权限由用户在组织中担当的角色来确定, 根据用户在组织内所处的角色进行访问授权与控制。当前在智能电网中主要使用的是第三类技术。授权管理的核心是授权管理基础设施 (PMI) 。PMI与PKI在结构上非常相似, 信任的基础都是有关权威机构。建立功能完善的用户管理、授权及认证体系, 对于保证系统数据的安全性有着重要的意义。

智能模式识别范文第5篇

本文主要依托基于android的人脸跟踪识别系统平台, 针对运动状态中的人脸目标进行跟踪识别, 以LDA (线性判别分析) 算法为基础进行算法的优化改进, 从而尝试解决人脸目标颜色和背景颜色相近或在移动状态中被遮挡等情况下人脸跟踪识别不成功的问题。

一、基于智能视觉的人脸目标跟踪识别系统框架

智能视觉技术支持的人脸目标跟踪识别系统主要包括:人脸目标视频采集单元、跟踪识别算法分析运行单元和人脸匹配数据库存储单元。本系统主要功能包括两个部分:训练人脸样本数据库和人脸目标跟踪与识别。系统的基本业务流程 (如图1所示) 。

首先以规模人脸图像数据为训练样本, 通过考查人脸五官表征和相互间几何关系, 提取定点间角度、欧式距离等特征矢量;然后通过系统的视频数据采集单元接收人脸跟踪场景中的视频图像, 并通过图像预处理单元对跟踪图像目标进行噪声过滤, 修剪颜色和光照异常值;接着在序列化的视频图像序中进行运动目标检测, 并提交检测结果给目标识别等上层处理单元;其后对被检测出的人脸对象进行多级分块处理, 生成目标的直方图特征集, 并采用优化的线性判别分析 (LDA) 算法进行相似度标注的目标对象识别。

二、系统关键技术实现

(一) 人脸图像去噪处理

在目标移动过程中进行人脸对象的识别, 其图像信息经常会遇到光线不足, 遮挡物等非目标自身因素的影响, 系统为了尽量减少外部因素造成的图像降质, 通常会对获取的图像先进行滤波, 即图像平滑处理。目前比较常见的噪声包括高斯噪声和椒盐噪声等, 而常用的降噪算法包括:均值滤波、中值滤波和Wiener维纳滤波等算法。其中基于相邻区域像素灰度平均值处理的均值滤波算法, 属于线性滤波, 比较适合对加性噪声如高斯噪声进行处理。本系统采用该滤波算法, 主要代码如下。

(二) 图像质量增强处理

系统对于获取的多角度二维人脸图像, 先经过像素级灰度变换, 生成二维人脸噪声梯度图像, 在此基础上基于小概率策略进行人脸图像的分割处理, 具体包括对三个图像区域的分区操作:对噪音图像区域进行负阶次分数阶积分掩模处理, 从而对区域噪音进行自适应去除操作;对正常人脸纹理区域进行正阶次分数阶微分掩模处理, 从而对区域纹理进行自适应增强操作;对人脸平滑区域进行零阶次分数阶积分掩模处理, 从而保留平滑区域。

(三) 人脸对象识别处理

LDA (线性判别分析) 算法是目前常用的人脸识别算法之一, 主要包括人脸特征提取和降维操作, 其优点是特征子空间中样本类内聚合度高而类间散列度大, 样本类型总体区分度高。系统采用优化的LDA算法来实现人脸目标的识别。其基本思路:首先对于灰度处理后的图像样本, 进行基于小概率策略的图像分块, 构建分类化样本空间;接着构建各类型样本的类内散度矩阵和类间散度矩阵;基于散度矩阵生成基向量, 并以此构建投影后的样本空间, 保留样本的局部特征, 并降低了特征空间的维数。主要实现如下。

摘要：随着互联网及人工智能应用的不断发展, 智能视觉技术在安防、交通等多个领域的应用不断成熟, 尤其在人脸识别应用上快速发展, 提升了识别的精准度和效率。本文构建了基于智能视觉的人脸跟踪识别系统模型, 分析了图像分割、降噪处理和目标识别等关键环节的技术实现, 为相关应用设计提供有借鉴。

关键词：智能视觉,人脸跟踪,人脸识别,LDA

参考文献

[1] 丁业兵.基于Mean Shift的视频目标跟踪算法研究[D].安徽:安徽大学, 2012.

[2] 阮秋琦.数字图像处理学[M].北京:电子工业出版社, 2007:515-527.

[3] 张涛, 蔡灿辉.一种快速多人脸跟踪算法[J].电视技术, 2009, 33 (2) :66-68, 77.

[4] Gary Bradski, Adrian Kaebler.Learning OpenCV:Computer Vision with the OpenCV Library[M].America:O’Reilly Media, Inc., 2008:1-16.

智能模式识别范文第6篇

诞生

狗的嗅觉的灵敏度非常高，大约是人的50至100倍。狗通过这项特异的功能来识别各种各样的东西，帮助人类完成一些鉴别工作。不仅如此，识别也是人类的一项基本技能，人们无时无处的在进行“模式识别”，古人有一成语“察言观色”表达的正是这个意思。

模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。计算机模式识别在20世纪60年代初迅速发展并成为一门新学科。

概念

简单来说，模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要方面。市场上可见到的代表性产品有光学字符识别(Optical Character Recognition, OCR)、语音识别系统。其计算机识别的显著特点是速度快，准确性高，效率高。在将来完全可以取代人工录入。

模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。

研究

模式识别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，属于认识科学的范畴，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、心理学家、生物学家和神经生理学家的研究内容，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来的努力，已经取得了系统的研究成果。

应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。

模式识别所分类的类别数目由特定的识别问题决定。有时，开始时无法得知实际的类别数，需要识别系统反复观测被识别对象以后确定。

模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制;人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术;图像处理中的图像分析也应用模式识别的技术。

应用领域包括：计算机视觉、医学图像分析、光学文字识别、自然语言处理、语音识别、手写识别、生物特征识别、人脸识别、指纹识别、虹膜识别、文件分类、互联网搜索引擎、信用评分、测绘学、摄影测量与遥感学。 以“汉字识别”为例：

识别过程与人类的学习过程相似。首先将汉字图象进行处理，抽取主要表达特征并将特征与汉字的代码存在计算机中。就像老师教我们“这个字叫什么、如何写”记在大脑中。这一过程叫做“训练”。识别过程就是将输入的汉字图象经处理后与计算机中的所有字进行比较，找出最相近的字就是识别结果。这一过程叫做“匹配”。

还有一些比较典型的应用例子如： 去雾算法：

由有雾的图片处理成无雾的过程用的是一种基于暗影通道的去雾算法。 相机照出的相片=真实相片*透谢分布率+天空亮度。这里要做的就是根据公式求出真实相片，另外三个未知量是可以求出来的。

交叉验证方法：

用来验证分类器的性能一种统计分析方法,基本思想是把在某种意义下将原始数据进行分组,一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型，以此来做为评价分类器的性能指标。

纹理：

在自然图象中，纹理作为物体的一种重要外观特征，为视觉感知提供了无处不在的信息，它在计算机视觉、图形学、图像编码等领域都有着重要作用，例如，格式塔(Gestalt)心理学，早期视觉理论和Marr的原始简约图(Primal Sketch)都将纹理模式作为中心话题。

因此，对纹理的理解是视觉理解不可或缺的组成部分。过去的几年里，纹理分析和合成的相关研究工作在基础理论上与实际应用两个方面都取得了振奋人心的发展，研究者结合计算机视觉，图形学，现代统计物理，心理学和神经系统科学等领域的知识，提出了很多关于纹理理解的新方法。纹理的研究工作主要集中在两个领域：滤波理论(filtering theory)和统计建模(statistical modeling)理论。滤波理论来源于在神经生理学中被发现并被广泛接受的多通道滤波机制，该机制认为，人类视觉系统将视网膜图像分解为一组子带(sub-band)图像信号，而这些子带信号可以通过一组线性滤波器和图像卷积然后经过某些非线性操作计算得到。滤波理论在纹理方面的应用主要有 Gabor 滤波器和小波(wavelet)塔等，它们在纹理分割和分类中有良好的性能。统计建模理论认为，纹理图像是随机场上概率分布的采样，该理论涉及到时间序列模型(time series model)，马尔可夫链(Markov chain)模型和马尔可夫随机场(Markov random Field，MRF)模型等建模方法。基于统计的建模方法一般只需要用很少几个参数来描述纹理特征，因此能为纹理提供简练的表示，而且它能把纹理分析问题转化为一个明确的统计推理问题来处理。

计算机视觉研究中低层视觉的一个主要研究方向是图像分割。由于一个场景中，不同的物体之间有不同层度的交叠，使得最理想的分割结果也会出现物体的不同部分(可视部分)之间分割开来，而不可视部分则为其它物体所覆盖的情况，这就不利于完整地展现物体。因此，有必要利用由图像得到的相关信息，如原始简约图(Primal Sketch)、颜色一致性、方位一致性等，研究一套算法，把同一物体分在同一个层里面，然后再把它们相应的部分之间连接起来，组成完整的物体。这就是2.1D Sketch的主要研究任务。

2.1D Sketch主要研究面物体，且不关心物体之间的深度信息，而只考虑它们之间的偏序关系(Partial Order)。

2.1D Sketch的研究成果将会用于图像分割、图像编辑、艺术图像生成以及图像序列分析中。

机器学习：

机器学习是人工智能的一个分支，它是关于让机器具有学习能力的一些算法。许多情况这种算法给一些数据和从这些数据属性的推出的信息对将来出现的新的数据做出预测。之所以可以这么做是因为大多数的非随机的数据包含一些模式，这些模式可以让机器去做泛化。

机器学习的相关概念扫盲：

监督式学习：训练数据中包含输入的向量集合并且有相应的目标值(labeled样例)

例如分类(Classification)、关联规则、回归(Regression) 非监督式学习：训练数据中不包含labeled样例

例如聚类(Cluster)、Density estimation、Visualization. 半监督式学习：组合了labled和unlabeled的Example去生成一个函数或分类

泛化(Generalization)：通过训练数据训练之后能够识别新的数据。 特征提取(Feature Extraction): 为了降维去除不想关的特征，在数据预处理阶段把数据转化成容易处理的。

机器学习的局限性：

机器学习在大量的模式面前的泛化能力是不同的，如果一个模式不同于以前所看到的，那么这个算法很容易被误解。由于当前的数据量不够，不能涵盖各种将来的情况，所以机器学习的方法很容易出现过度泛化，从而出现不准确性。

AdaBoost人脸检测原理：

一种基于积分图、 级联检测器和AdaBoost 算法的方法，方法框架可以分为以下三大部分: 第一部分，使用Harr-like特征表示人脸，使用“ 积分图”实现特征数值的快速计算; 第二部分， 使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器; 第三部分， 将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。

总结

自20世纪50年代以来，模式识别在人工智能兴起后不久就迅速发展成一门学科。它所研究的理论和方法在很多科学和技术领域得到广泛重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。