什么是模式识别?
模式识别是基于主要特征将输入数据划分为对象或类的过程。模式识别的分类方法有两种：受监督分类和不受监督分类。
模式识别可应用于计算机视觉、雷达处理、语音识别和文本分类。
受监督分类
在模式识别方法中，输入数据的受监督分类使用受监督学习算法，它是基于不同对象类的培训数据来创建分类器。然后分类器接受输入数据并分配相应的对象或类标签。
在计算机视觉中，受监督模式识别技术用于光学字符识别 (OCR)、人脸检测、对象检测和对象分类。
使用支持向量机 (SVM) 和 HOG 特征提取检测人员。有关详细信息，请参阅 文档。
不受监督分类
不受监督分类方法的工作原理是使用分割或聚类分析技术寻找未标记的数据中的隐藏结构。常用的不受监督分类方法包括：
- K 均值聚类分析法
- 高斯混合模型
- 隐马尔可夫模型
在图像处理和计算机视觉中，不受监督模式识别技术用于对象检测和图像分割。
使用高斯混合模型，将图像像素分成前景（白色像素）和背景（黑色像素）以检测移动对象。有关详细信息，请参阅 示例。
使用 K 均值聚类分析法进行基于颜色的 图像分割。
有关详细信息，请参阅 Computer Vision Toolbox、Image Processing Toolbox 和 Statistics and Machine Learning Toolbox，这些工具都可与 MATLAB 一起使用。
示例与具体方法
软件参考
模式识别常见问题
模式识别是使用计算机算法根据关键特征或规律将输入数据分类为对象、类或类别的过程。
两种分类方法是有监督分类和无监督分类。有监督分类需要带标签的训练数据，而无监督分类通过分割或聚类技术在无标签数据中发现隐藏结构。
支持。MATLAB 支持用于模式识别的机器学习和深度学习方法。机器学习需要手动特征提取并适用于较小的数据集，而深度学习自动化特征提取，但需要更大的数据集和更长的训练时间。
MATLAB 中用于模式识别的常见深度学习模型包括 R-CNN 和 YOLO v2，通常用于目标检测和分类任务。
MATLAB 中常见的机器学习技术包括聚合通道特征 (ACF)、使用梯度方向直方图 (HOG) 特征的支持向量机 (SVM) 分类，以及 Viola-Jones 算法。
模式识别常用于制造业的缺陷检测，通过基于视觉的技术捕获图像，对图像进行处理以提高质量，并使用 AI 建模将物体分类为良品或缺陷品。
常见的无监督分类方法包括 k-means 聚类、高斯混合模型和隐马尔可夫模型。
支持模式识别的 MATLAB 工具箱包括 Computer Vision Toolbox、Image Processing Toolbox 和 Statistics and Machine Learning Toolbox。
