介紹
對象識別包括分類和檢測兩項任 務，分類用於判斷一幅圖像是否包含某類對象 ，檢測則要求標出這些對象的位置和大小。對象識別是理解圖像和場景的關鍵 ，具有廣泛的套用前景 ，可用於 Web圖像自動標註 、海量圖像搜尋 、圖像內容過濾 、機器人 、安全監視 、醫學遠程會診等多種領域。通用對象識別面臨很多困難，迄今沒有完善的解決方案，這些困難包括：(1)光照變化 、視點變化 、尺度變化 、物體變形 、遮擋 、背景嘈雜等多種因素使 同一 物體在不同圖像中存在很大的差異 ；(2)同類物體之間存在較大差異 ，這要求識別模型即能體現 同類物體之間的共性 ，又不能混淆相似的物體類別 ；(3)大量 的類別增加了系統實現的難度。近幾年來 ，通用對象識別的研究非常活躍 ，新的方法不斷湧現。
對象識別過程
對象識別系統使用訓練圖像，訓練出識別模型 ，並利用這個模型識別新圖像中的對象 ，這個過程一般包括預處理 、特徵提取、模型訓練和對象識別四個階段。
特徵提取
特徵提取提取圖像的亮度模式，紋理細節、形狀和輪廓等信息，包括特徵選取和特徵描述兩部分內容。
原始的訓練圖像往往需要人工進行預處理 ，預處理後 ，可從訓練圖像中提取特徵集。特徵集可以是全局特徵 ，體現整幅圖像的特點 ，也可以是局部特徵 ，代表圖像局部的特點。
常用的特徵有包括：
(1)Difference of Gaussians(DoG)：最早由Lowe提出，具有平移、尺度不變性，檢測速度很快；
(2)Kadir&Brady檢測子：通過圓形區域亮度直方圖的局部最大熵尋找特徵區域，能輸出穩定、少量的圓形特徵區域；
(3)多尺度Harris檢測子：具有尺度不變性，適於檢測角形區域；
(4)Hessian-Laplace類似於DoG，這兩種方法都檢測類似於元球(blob-like)的結構，但Hessian-Laplace方法在尺度一空間定位精度更高；
(5)Harris-Affine區域和Hessian-Affine區域對圖像仿射變換具有不變性。
模型訓練
不同的對象識別系統有不同的訓練方法。很多方法來源於基本的機器學習技術，如boost、Winnow、支持向量機、RVM、貝葉斯理論、高斯混合模型、EM算法、決策樹、決策樹樁等技術。訓練方法大致可分為兩大類：求異法(discriminative approach)和泛化法(generative approach)。求異法試圖在特徵空間找到一條決策邊界，將特徵矢量分類，判斷它是否屬於某類物體。滑動視窗模型常採用求異法訓練模型，SVM、決策樹、決策樹樁及boost類技術常用於求異法泛化法則儘可能多地找到某類對象的特徵，根據這些特徵出現的機率，使用貝葉斯理論、高斯混合模型判斷對象的類別。基於部件的方法常採用泛化法設定、最佳化模型參數，EM算法常用來處理部件及其之間的關係，這種方法是一種疊代估計參數的方法，它可以處理數據缺失的問題，但不能保證找到全局最大值。
對象識別
提取了訓練圖像的特徵集後，就可以利用這些特徵集訓練識別模型。識別模型有很多種，為了描述方便，本文大致把它們分成三大類，分別是基於特徵袋(bag of feature)的識別模型，基於部件(part-based)的識別模型，基於滑動窗：(sliding-windows)的識別模型。
(1)特徵袋模型又稱為單詞袋(bag of word)，近幾年廣泛地套用於各種識別任務，這種模型非常適合多類對象的同時識別，它將自動文檔分類技術引入對象識別，將一幅圖像看成由大量視覺單詞組成，每個視覺單詞是矢量量化後的局部特徵描述子，在對象識別中，某類對象相當於某類文檔主題，尋找某類對象類似於根據某類單詞出現的頻率尋找文檔的主題。該方法在多類對象識別測試中獲得了較好的結果。特徵袋模型的識別步驟一般為：特徵提取、矢量量化、直方圖計算、模型訓練、對象識別。
(2)基於部件的模型：這種模型學習識別給定類對象共同的相似的部件，通過它們是否存在判斷是否存在給定類對象。這種方法很適合具有固定結構和形狀的物體。實現細節主要包括如何檢測某個部件，採用何種空間結構模型處理部件之間的共存(co-occurrence)關係。在通用對象識別系統，一般採用相對較鬆散的空間結構模型，如星形網、樹形結構、K-fans結構等來表示部件之間的關係。
(3)基於滑動視窗的模型，這種模型隱含地採用固定模板將空間信息表示成特徵矢量。這種方法一般採用稠密的特徵提取法。然後採用機器學習算法，如支持向量機(SVM)，對隱含模板進行匹配，這種模型往往包含大量的特徵集，因此常採用adaboost及級聯等技術從大量的特徵窗選擇最有識別性的特徵窗。基於滑動視窗的模型只需要少量的指導，檢測精度也較高，但這類方法的定位能力較弱，需要專門的算法將檢測到的多個視窗整合起來。
