模式識別方法概述

范會敏，王 浩

（西安工業大學 計算機科學與工程學院，陜西 西安 710032）

模式識別是人類的一項基本技能，日常生活中，人們經常在進行“模式識別”，比如人們能夠認出周圍的房子、街道，能認出不同的人以及他們的說話聲音，人腦的這種能力就構成了“模式識別”的概念。隨著計算機的出現以及人工智能的興起，將人類識別技能賦予計算機成為一項新興課題。

1 模式識別的基本概念

1.1 模式和模式識別

當人們看到某物或現象時，人們首先會收集該物體或現象的所有信息，然后將其行為特征與頭腦中己有的相關信息相比較，如果找到一個相同或相似的匹配，人們就可以將該物體或現象識別出來。因此，某物體或現象的相關信息，如空間信息、時間信息等，就構成了該物體或現象的模式。廣義的說，存在于時間和空間中可觀察的事物，如果可以區別它們是否相同或相似，都可以稱之為模式。Watanable定義模式“與混沌相對立，是一個可以命名的模糊定義的實體”[1]。比如，一個模式可以是指紋圖像、手寫草字、人臉、或語言符號等。“廣義的說，存在于時間和空間中可觀察的事物，如果我們可以區別他們是否相同或相似，都可以稱之為模式”。而將觀察目標與己有模式相比較、配準，判斷其類屬的過程就是模式識別。模式以及模式識別是和類別（集合）的概念分小開的，只要認識某類事物或現象中的幾個，人們就可以識別該類中的許多事物或現象。為了強調能從具體的事物或現象中推斷出總體，“我們把通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息稱為模式，而把模式所屬的類別或同一類模式的總體稱為模式類（我們下面進行的模式識別的討論都是基于該定義的）。也有人習慣上把模式類稱為模式，把個別具體的模式稱為樣本”。如“字符”、“植物”、“動物”等等都是模式，而“A”、“松樹”、“狗”則是相應模式中的一個樣本。在此意義上，人們可以認為把具體的樣本歸類到某一個模式，就叫做模式識別，或模式分類[2]。

人類具有很強的模式識別能力。通過視覺信息識別文字、圖片和周圍的環境，通過聽覺信息識別與理解語言等。模式識別是人類的一種基本認知能力或智能，是人類智能的重要組成部分，在各種人類活動中都有著重要作用。在現實生活中，幾乎每個人都會在不經意間輕而易舉地完成模式識別的過程。但是，如果要讓機器做同樣的事情，恐怕決非這么輕松。本文將從人工智能的角度，更深層次地分析什么是模式識別，以及如何用機器進行模式識別。

要讓機器具有人的模式識別能力，人們首先需要研究人類的識別能力，因此模式識別是研究人類識別能力的數學模型，并借助于計算機技術讓計算機模擬人類識別行為的科學。換言之，模式識別是研究如何讓機器觀察周圍環境，學會從背景中識別感興趣的模式，并對該模式的類屬作出準確合理的判斷。模式識別研究主要集中在兩方面，即研究生物體（包括人）如何感知對象，以及研究在給定的任務下，如何用計算機實現模式識別的理論和方法。前者屬于認知科學的范疇，是生理學家、心理學家、生物學家和神經生理學家的研究內容，后者屬于信息科學的范疇，是數學家、信息學專家和計算機科學工作者的研究內容。識別行為可以分為兩大類：識別具體事物和識別抽象事物。具體事物的識別涉及到時空信息的識別。空間信息的例子，如指紋、氣象圖和照片等：時間信息的例子，如波形、信號等。抽象事物的識別涉及到某一問題解決辦法的識別、一個古老的話題或論點等。換言之，抽象事物的識別是識別那些不以物質形式存在的現象，屬于概念識別研究的范疇。筆者所指的模式識別主要是對具體事物的識別，如語音波形、地震波、心電圖、腦電圖、圖片、文字、符號、三維物體和景物以及各種可以用物理的、化學的、生物的傳感器進行測量的具體模式等。要識別的數據有：一維數據，如語音、心電圖、地震數據等；二維數據，如文字圖片、醫學圖像、衛星圖像等；三維數據，如圖像序列、結晶學或X圖像斷層攝影術等。

1.2 模式識別系統

一個完整的模式識別系統由數據獲取、數據處理、特征提取和選擇、分類決策4部分組成[3-4]，如圖1所示。

圖1 模式識別系統Fig.1 Pattern recognition system

在設計模式識別系統時，需要注意模式類的定義、應用場合、模式表示、特征提取和選擇、聚類分析、分類器的設計和學習、訓練和測試樣本的選取、性能評價等。針對不同的應用目的，模式識別系統各部分的內容可以有很大的差異，特別是在數據處理和模式分類這兩部分，為了提高識別結果的可靠性往往需要加入知識庫（規則）以對可能產生的錯誤進行修正，或通過引入限制條件大大縮小待識別模式在模型庫中的搜索空間，以減少匹配計算量。在某些具體應用中，如機器視覺，除了要給出被識別對象是什么物體外，還要求出該物體所處的位置和姿態以引導機器人的工作。下面分別簡單介紹模式識別系統這4部分的工作原理。

1）數據獲取

數據獲取是指利用各種傳感器把被研究對象的各種信息轉換為計算機可以接受的數值或符號（串）集合。習慣上，稱這種數值或符號（串）所組成的空間為模式空間。這一步的關鍵是傳感器的選取。為了從這些數字或符號（串）中抽取出對識別有效的信息，必須進行數據處理，包括數字濾波和特征提取。

2）數據處理

數據處理是為了消除輸入數據或信息中的噪聲，排除不相干的信號，只留下與被研究對象的性質和采用的識別方法密切相關的特征（如表征物體的形狀、周長、面積等等）。舉例來說，在進行指紋識別時，指紋掃描設備每次輸出的指紋圖像會隨著圖像的對比度、亮度或背景等的不同而不同，有時可能還會產生變形，而人們感興趣的僅僅是圖像中的指紋線、指紋分叉點、端點等，而不需要指紋的其它部分或背景。因此，需要采用合適的濾波算法，如基于塊方圖的方向濾波、二值濾波等，過濾掉指紋圖像中這些不必要的部分。

3）特征提取

特征提取是指從濾波數據中衍生出有用的信息，從許多特征中尋找出最有效的特征，以降低后續處理過程的難度。我們對濾波后的這些特征進行必要的計算后，通過特征選擇和提取形成模式的特征空間。人類很容易獲取的特征，對于機器來說就很難獲取了，特征選擇和提取是模式識別的一個關鍵問題。一般情況下，候選特征種類越多，得到的結果應該越好。但是，由此可能會引發維數災害，即特征維數過高，計算機難以求解。因此，數據處理階段的關鍵是濾波算法和特征提取方法的選取。不同的應用場合，采用的濾波算法和特征提取方法以及提取出來的特征也會不同。

4）分類決策或模型匹配

基于數據處理生成的模式特征空間，人們就可以進行模式識別的最后一部分：模式分類或模型匹配。該階段最后輸出的可能是對象所屬的類型，也可能是模型數據庫中與對象最相似的模式編號。模式分類或描述通常是基于己經得到分類或描述的模式集合而進行的。人們稱這個模式集合為訓練集，由此產生的學習策略稱為監督學習。學習也可以是非監督性學習，在此意義下產生的系統不需要提供模式類的先驗知識，而是基于模式的統計規律或模式的相似性學習判斷模式的類別。模式分類或模式匹配的方法有很多，主要是基于以下思想設計的：

成員表：即模板匹配。基于該思想，分類系統中會預先存儲屬于同一模式類的模式集，然后將輸入的未知模式與系統中己有的模式相比較，具有相同或相似匹配的模式類即為該未知模式的所屬類型。

一般特征：這里模式的一般特征被存儲在一個分類系統中，當有一個未知模式進入該系統時，系統會將其一般特征與系統中現有類的一般特征相比較，并將其歸入到與其有相似特征的類中。

聚類：文中筆者用實數向量來表示目標類的模式，這樣，利用其聚類特性，可以輕易地將未知模式進行分類。如果目標向量在幾何位置上相距很遠，就容易確定未知模式的類別。但是如果目標向量相距較近，或甚至有重疊，人們就需要采用比較復雜的算法來確定未知模式的類別。最小距離分類法就是一個基于聚類概念的簡單算法。該算法通過計算未知模式與希望的己知模式集之間的距離，來決定哪一個己知模式與該未知模式最近，并最終將該未知模式歸入到與其相距最短的己知模式類中。該算法對于目標向量在幾何位置上相距很遠的模式分類很有效。

神經元：上而的模式分類思想都是基于機器的直接計算，而直接計算則是基于數學相關的技術。仿生學是指將生物學知識應用到電子機器中。神經系統方法就是將生物知識應用于機器中來進行模式識別，從而引進了人工神經元網絡。

一個神經元網絡是一個信息處理系統，由大量簡單的數據處理單元組成，這些單元互相連接，協同工作，從而實現大規模并行分布處理。神經元網絡的設計和功能是模仿了生物的腦部和神經系統的功能而設計的。神經元網絡具有自適應學習、自組織和容錯力等優點。由于神經元網絡的這些突出特點，人們可以應用神經元網絡進行模式識別。一些最好的神經元網絡模型是后向傳播網絡、高階網絡、時延和周期性網絡。

通常，人們利用前向傳播網絡進行模式識別。前向傳播也就是沒有回到輸入端的反饋信息。與人類從錯誤中得到教訓相似，神經元網絡也能通過向輸入端反饋信息，從其錯誤中得到教訓。通過反饋可以重建輸入模式，避免產生錯誤，從而提高神經元網絡的性能。當然，構造這樣的神經元網非常復雜。這類神經元網絡要用到后向傳播算法（BP）。后向傳播算法的主要問題之一是局部極小問題。另外，神經元網絡在學習速度、結構選擇、特征表示、模塊性、縮放性等方而也都存在一些問題。雖然神經元網絡存在這樣那樣的問題和困難，但是其發展潛力還是巨大的。

2 模式識別的方法

2.1 統計模式識別

統計模式識別方法是受數學中的決策理論啟發而產生的一種識別方法。其基本思想是將特征提取階段得到的特征向量定義在一個特征空間中，這個空間包含了所有的特征矢量。不同的特征向量，或者說不同類別的對象，都對應于此空間中的一點。在分類階段，則利用統計決策的原理對特征空間進行劃分，從而達到識別不同特征對象的目的。統計識別中應用的統計決策分類理論相對比較成熟，研究的重點是特征提取[5-6]。

統計模式識別方法適用于在給定的有限數量樣本集，已知研究對象統計模型或已知判別函數類條件下，根據一定的準則通過學習算法能夠把d維特征空間劃分為c個區域，每一個區域與每一類別相對應，模式識別系統在進行工作時只要判斷被識別的對象落入哪一個區域，就能確定出它所屬的類別。

2.2 句法結構模式識別

句法識別是對統計識別方法的補充。統計方法用數值來描述圖像的特征，句法方法則是用符號來描述圖像特征的。它模仿了語言學中句法的層次結構，采用分層描述的方法，把復雜圖像分解為單層或多層的簡單子圖像，主要突出了識別對象的結構信息。圖像識別是從統計方法發展起來的，而句法方法擴大了識別的能力，使其不僅限于對象物的分類，而且還用于景物的分析與物體結構的識別。

句法結構模式識別主要用于文字識別、遙感圖形的識別與分析、紋理圖像的分析中。該方法的特點是識別方便，能夠反映模式的結構特征，能夠描述模式的性質，對圖像畸變的抗干擾能力較強。如何選擇機緣是本方法的一個關鍵問題，尤其是當存在干擾及噪聲時，抽取基元更困難，且易失誤。

2.3 模糊模式識別

模糊模式識別的理論基礎是模糊數學。它根據人辨識事物的思維邏輯，吸取人腦的識別特點，將計算機中常用的二值邏輯轉向連續邏輯。模糊識別的結果是用被識別對象隸屬于某一類別的程度即隸屬度來表示的，一個對象可以在某種程度上屬于某一類別，而在另一種程度上屬于另一類別。一般常規識別方法則要求一個對象只能屬于某一類別。基于模糊集理論的識別方法有:最大隸屬原則識別法、擇近原則識別法和模糊聚類法。

伴隨著各門學科，尤其是人文、社會學科及其他“軟科學”的不斷發展，數學化、定量化的趨勢也開始在這些領域中顯現。模糊模式識別不再簡單局限于自然科學的應用，同時也被應用到社會科學，特別是經濟管理學科方面。

2.4 人工神經網絡模式識別

人工神經網絡的研究起源于對生物神經系統的研究。它將若干處理單元（即神經元）通過一定的互連模型連結成一個網絡，這個網絡通過一定的機制可以模仿人的神經系統的動作過程，以達到識別分類的目的。人工神經網絡區別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點。神經網絡側重于模擬和實現人認知過程中的感知覺過程、形象思維、分布式記憶、自學習和自組織過程，與符號處理是一種互補的關系。但神經網絡具有大規模并行、分布式存儲和處理、自組織、自適應和自學習的能力，特別適用于處理需要同時考慮許多因索和條件的、不精確和模糊的信息處理問題。

2.5 模板匹配模式識別

模板匹配的原理是選擇己知的對象作為模板，與圖像中選擇的區域進行比較，從而識別目標。模板匹配依據模板選擇的小同，可以分為兩類:1）以某一己知目標為模板，在一幅圖像中進行模板匹配，找出與模板相近的區域，從而識別圖像中的物體，如點、線、幾何圖形、文字以及其他物體；2）以一幅圖像為模板，與待處理的圖像進行比較，識別物體的存在和運動情況。模板匹配的計算量很大，相應的數據的存儲量也很大，而且隨著圖像模板的增大，運算量和存儲量以幾何數增長。如果圖像和模板大到一定程度，就會導致計算機無法處理，隨之也就失去了圖像識別的意義。模板匹配的另一個缺點是由于匹配的點很多，理論上最終可以達到最優解，但在實際中卻很難做到。

模板匹配主要應用于對圖像中對象物位置的檢測，運動物體的跟蹤，不同光譜或者不同攝影時間所得的圖像之間位置的配準等。

2.6 支持向量機的模式識別

支持向量機（Support Vector Machine，SVM）是由 Vapnik領導的AT&Bell實驗室研究小組在1963年提出的一種新的非常有潛力的分類技術，其基本思想是:先在樣本空間或特征空間，構造出最優超平面，使得超平面與不同類樣本集之間的距離最大，從而達到最大的泛化能力。支持向量機結構簡單，并且具有全局最優性和較好的泛化能力，自提出以來得到了廣泛的研究。

支持向量機方法是求解模式識別和函數估計問題的有效工具。SVM在數字圖像處理方面的應用是：尋找圖像像素之間的特征的差別，即從像素點本身的特征和周圍的環境（臨近的像素點）出發，尋找差異，然后將各類像素點區分出來。

3 結束語

模式識別是一個交叉、綜合的科學技術領域，不僅與其他信息學科而且和包括數理科學、生命科學、地球科學、工程與材料科學、管理科學、環境科學的相互作用和滲透愈來愈高，其科學界線很可能隨著發展而逐漸模糊[7]。其發展離不開應用和工程，離不開國家目標。因此，其科學技術內涵與外延應該與時俱進、更新和擴展，研究的方向與內容應該更具有綜合性、交叉性，更強調國家目標的實現，解決國家急需的重大問題、重大關鍵技術攻關和社會發展中的科學技術難題和基礎理論問題。

[1]邊肇棋，張學工.模式識別[M].2版.北京:清華大學出版社，2007.

[2]Duda R O，Hart P E，Stork D G.模式分類[M].李宏東，姚天翔，譯.機械工業出版社，2003.

[3]孫即祥，等.現代模式識別[M].長沙：國防科技大學出版社，2002.

[4]邵美珍，黃潔，等.模式識別原理與應用[M].西安：西安電子科技大學出版社，2008.

[5]靳富麗.模式識別理論及其應用[J].湖北廣播電視大學學報，2007（12）:159-160.JIN Fu-li.Pattern recognition theory and its applications[J].Journal of Hubei Radio and TV University，2007（12）:159-160.

[6]嚴紅平，潘春洪.模式識別簡述[J].自動化博覽，2006（1）:22-26.YAN Hong-ping，PAN Chun-hong.A brief introduction to pattern recognition[J].Automation panorama，2006（1）:22-26.

[7]楊合超，宋海歌，周雪梅.模式識別的主要方法及其應用[J].電腦知識與技術，2008（S2）:156-157.YANG He-chao，SONG Hai-ge，ZHOU Xue-mei.The main methods and applications of pattern recognition[J].Computer knowledge and technology，2008（S2）:156-157.