第二章:模板匹配法基本概念模板匹配法統計決策方法的特殊情況，也是最簡單的情況待分類的每一類模式只有一個唯一的標準（印刷體字符、標準普通話）2AppliedPatternRecognitionCSE616基本概念觀測向量對樣本進行觀測、采樣、量化得到的原理數據構成的向量觀測空間由觀測向量的維數決定的m維幾何空間觀測向量觀測值3AppliedPatternRecognitionCSE616基本概念特征向量對觀測向量進行特征選擇和提取，得到反映事物本質特性的特征構成的向量特征空間由特征向量的維數決定的n維幾何空間（n<m），每個特征向量即是特征空間中的一個點特征向量特征值4AppliedPatternRecognitionCSE616特征空間鮭魚鱸魚5AppliedPatternRecognitionCSE616基本概念特征選擇去除次要的特征，篩選出重要的特征特征提取通過壓縮變換或映射，降低特征維數6AppliedPatternRecognitionCSE616基本概念樣本的相似度即樣本的相似程度，是模式識別的重要依據通常以樣本特征向量在特征空間中的距離作為樣本的相似度樣本相似度歐氏距離平方和距離絕對值距離加權距離7AppliedPatternRecognitionCSE616基本概念歐氏距離設有兩個n維特征向量X1和

X2則此二樣本的歐氏距離定義為：X1X28AppliedPatternRecognitionCSE616基本概念平方和距離絕對值距離（曼哈頓距離）9AppliedPatternRecognitionCSE616基本概念加權距離可根據各個特征在識別中的重要程度設置各加權系數10AppliedPatternRecognitionCSE616模板匹配法原理及過程學習過程對每一類已知類的學習樣本進行特征提取，得到模板向量X1，X2，﹒﹒﹒

XC（C為類別數）設置識別門限值ε以待識樣本與模板向量之間的相似度（距離）為識別準則11AppliedPatternRecognitionCSE616模板匹配法原理及過程識別過程對待識樣本進行特征提取，得到特征向量Ｘ計算待識樣本特征向量Ｘ與模板向量X1，X2，﹒﹒﹒

XC之間的距離D1，

，﹒﹒﹒，DC若Di

=min{Dj

}，j=1,2,﹒﹒﹒,C，且Di

<ε，則判樣本Ｘ屬于第i類,，記為Ｘ∈Ｗi若所有Di（i=1,2,﹒﹒﹒,C）均大于ε，則拒識。12AppliedPatternRecognitionCSE616模板匹配法原理及過程為提高模板匹配法的魯棒性，可采用彈性模板匹配將模板樣本進行平移、旋轉、縮放得到多個模板向量13AppliedPatternRecognitionCSE616模板匹配法的應用人臉識別、模板臉印刷體字符識別標準普通話識別14AppliedPatternRecognitionCSE616統計模式識別基礎問題模板匹配法將每一類模式的特征向量視為只有唯一標準的模板向量實際應用中，由于樣本的不確定性，每一類模式在特征空間中分布為一區域造成樣本分布不確定的原因：樣本本身的空間分布傳輸處理過程中的噪聲和干擾15AppliedPatternRecognitionCSE616統計模式識別基礎解決辦法將特征向量視為具有一定空間概率分布的隨機向量利用概率統計的方法進行分類器設計16AppliedPatternRecognitionCSE616統計模式識別基礎先驗概率

設有C個類別的識別問題（ω1，ω2，﹒﹒﹒，ωc），則ωi

類發生（出現）的概率P(ωi)

稱為第i類的先驗概率。顯然：例如：乙肝病診斷

手寫體數字識別17AppliedPatternRecognitionCSE616統計模式識別基礎類概率密度

指在已知樣本類別為ωi的條件下，特征向量在特征空間X處發生的概率，記為P(X/

ωi)。

顯然：P(X/

ωi)

隨X的變化函數稱為第i類的類概率密度函數。18AppliedPatternRecognitionCSE616統計模式識別基礎一維二類情況下的類概率密度函數19AppliedPatternRecognitionCSE616統計模式識別基礎模板匹配法情況下的類概率密度函數？先驗知識先驗概率和類概率密度的總稱統計方法即是基于樣本先驗知識的模式識別方法20AppliedPatternRecognitionCSE616統計模式識別基礎根據先驗知識的多少，將統計方法分為：統計決策法Bayes決策法參數估計法非參數估計法線性判別函數21AppliedPatternRecognitionCSE616統計模式識別基礎Bayes決策法已知各類樣本的先驗概率P(ωi

)及類概率密度P(X/ωi)通過先驗概率估計后驗概率參數估計法僅知道各類樣本的類概率密度P(X/ωi)的函數形式，函數中的參數末知由學習樣本估計類概率密度函數中的參數22AppliedPatternRecognitionCSE616統計模式識別基礎非參數估計法幾乎無先驗知識，類概率密度函數形式均末知直接由學習樣本進行分類器設計線性判別函數基于對學習樣本的分析，得到線性判別函數由線性判別函數決定的分界面，將