模式识别基础.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,授课对象,计算机应用技术专业及电子信息类相关专业硕士研究生,相关学科,统计学,概率论,矩阵分析,最优化原理,形式语言,机器学习,人工智能,图像处理,计算机视觉，语音信号处理等等,教学方法,着重讲述模式识别的基本概念，基本方法和算法原理。,注重理论与上机实践相结合。,学生应具备一定自学能力。,给出必要的理论推导。,授课内容,贝叶斯决策理论,参数估计，非参数技术,判别函数,结构模式识别,独立于算法的机器学习,聚类算法，特征提取,神经网络,教 材,R.Duda,P.Hart,D.Stork,Pattern Classificatio,n,second edition,2000.,边肇祺，,模式识别,（第二版），清华大学出版社，,2000,。,Vapnik V.N.,著，张学工译。统计学习理论的本质。清华大学出版社，2000年,Vapnik V.N.,著，许建华，张学工译。统计学习理论。电子工业出版社，2004,Theodoridis S.,Koutroumbas K.,Pattern Recogintion,(3th Edition).Elsevier,2006,Fu K.S.,Syntactic Pattern Recognition and Applications,.Prentice Hall,1982,参考书籍,会议、刊物,Conferences:ICCV,CVPR,ICPR,NIPS,Journals:,Pattern Recognition(PR),Pattern Recognition Letters(PRL),IEEE.Trans.PAMI,计算机学报,电子学报,自动化学报,软件学报,计算机研究与发展,第一章 概论,模式和模式识别的概念,模式识别的发展简史和应用,模式识别的主要方法,模式识别的系统和实例,模式识别,的几个基本问题,生物特征识别简介,本章主要内容,什么是模式？,广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。,模式的直观特性,:,可观察性,可区分性,相似性,1.1,基本概念,模式不是事物本身，而是从事物获得的信息。比如，人的照片、个人资料,可以区分模式之间是否相似（与问题有关）,模式一般用,向量,来表示，,下标,可以反映时间特性、空间特性或者其他标识（不同年龄的身高、图象的各个象素点的灰度值、个人资料）,模式类：模式所属的类别或同一类中模式的总体（简称类）,模式识别的概念,模式识别,直观，无所不在，“,人以类聚，物以群分”,周围物体的认知：桌子、椅子,人的识别：张三、李四,声音的辨别：汽车、火车，狗叫、人语,气味的分辨：炸带鱼、红烧肉,人和动物的模式识别能力是极其平常的，但对计算机来说却是非常困难的。,所谓模式识别，指研究用计算机来实现人的模式识别能力的学科，即用计算机实现人对各种事物或现象的分析、描述、判断、识别,模式识别的主要研究内容：机器的自动识别。,人通过视觉、嗅觉、听觉、味觉、触觉接收外界信息、再经过人脑根据已有知识进行适当的处理后作出的判别事物或者划分事物性质（类别）的能力,人的模式识别能力,例：幼儿认动物,老师教幼儿学（学习）,幼儿自己认（决策）,错分现象,例,：医生给一个病人看病（模式识别的完整过程）,测量病人的体温和血压，化验血沉，询问临床表现,通过综合分析，抓住主要病症；,医生运用自己的知识，根据主要病症，作出正确的诊断,。,模式识别技术中，经常使用的术语有：,样本：,医院里的众多患者，每个患者都是一个样本。,单一样本,：请医生给出诊断的某一个患者，就是众多患者中的一个样本。,样本的测量值,：患者的体温、血压等测量值。,模式,：样本的各测量值的综合,.,模式样本,：具有某种模式的样本。,模式采集：,获取某样本的各测量值的过程。,样本特征：,患者的主要病症。,特征提取、特征选择：,模式样本各测量值经过综合分析找出主要病症。,分类判决：,医生运用自己的知识作出诊断。,判决准则、判决规则：,医生的知识。,判决结果：,把患者区别成某种疾病的患者。（也就是把样本（患者）区别为相应类型（疾病）。,与人辨别事物相比，机器识别事物的方法是很不同的，在目前也是很简单与低级的，因此机器识别事物的能力还很差。这主要的原因是人们在学习与认识事物中会总结出规律，并把这些规律性的东西抽象成“概念”。但机器目前的抽象能力是很差的。要让机器准确地把握事物的本质，弄清分辨事物的关键，从而正确辨别事物，实质上是要使人能够研究出好的方法，提出好的算法，从而构造出好的系统，使机器辨别事物的本领更强。,模式分类问题的描述,给定一个训练样本的特征矢量集合：,分别属于,c,个类别：,设计出一个分类器，能够对未知类别样本,x,进行分类,模式空间、特征空间和类型空间,一般来说，模式识别必须经历如下的过程：,样本：,在物理上可以觉察到的世界中，所选择出的某,些物体和事件。,模式空间的维数：,与选择的样本,测量方法,特定应用有关。在模式空间里，每个模式样本都是一个点。,模式采集：,由物理上可觉察到的世界到模式空间所经历的过程。,特征空间,-,模式空间常常不能反映样本的实质，机器在作出判断之前要对模式空间里的各坐标元素进行综合分析，以获取最能揭示样本属性的观测量作为主要特征，这些主要特征就构成特征空间，常常选取,不变性特征,。,特征提取和特征选择,-,从模式空间到特征空间所需要的综合分析，往往包含适当的变换和选择，这个过程称为特征提取和特征选择。,判决规则：,由某些知识和经验可以确定的分类准则,类型空间（解释空间）,-,根据适当的判决规则，把特征空间里的样本区分成不同的类型，从而把特征空间塑造成了类型空间。,决策面：,不同类型之间的分界面。,分类判决：,由特征空间到类型空间所需要的操作就是分类判决。,模式识别过程：,从物理上可以觉察到的世界，通过模式空间、特征空间到类型空间，经历了模式采集、特征提取,/,选择、以及分类决策等过程，这就是一个完整的模式识别过程。,模式识别过程的图形表示：,1.2,模式识别简史和应用,1929,年,G.Tauschek,发明阅读机，能够阅读,0-9,的数字。,30,年代,Fisher,提出统计分类理论，奠定了统计模式识别的基础。,50,年代,Noam Chemsky,提出形式语言理论,傅京荪 提出句法结构模式识别。,60,年代,L.A.Zadeh,提出了模糊集理论，模糊模式识别方法得以发展和应用。,80,年代以,Hopfield,网、,BP,网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。,90,年代小样本学习理论，支持向量机也受到了很大的重视。,模式识别的应用,生物学,染色体特性研究、遗传研究,天文学,天文望远镜图像分析、自动光谱学,经济学,股票交易预测、企业行为分析,医学,心电图分析、脑电图分析、医学图像分析,工程,产品缺陷检测、特征识别、语音识别、自动导航系统、污染分析,军事,航空摄像分析、雷达和声纳信号检测和分类、自动目标识别,安全,指纹识别、人脸识别、监视和报警系统,美国邮政数字识别数据库(,USPS)：,7300,个训练样本，2000个测试样本，16,X16,图像,0,1,9,1.3,模式识别方法,模式识别系统的目标：在特征空间和解释空间之间找到一种映射关系，这种映射也称之为假说。,假说的两种获得方法,监督学习、概念驱动或归纳假说：在特征空间中找到一个与解释空间的结构相对应的假说。在给定模式下假定一个解决方案，任何在训练集中接近目标的假说也都必须在“未知”的样本上得到近似的结果。,依靠已知所属类别的的训练样本集，按它们特征向量的分布来确定假说（通常为一个判别函数），只有在判别函数确定之后才能用它对未知的模式进行分类；,对分类的模式要有足够的先验知识，通常需要采集足够数量的具有典型性的样本进行训练。,假说的两种获得方法（续）,非监督学习、数据驱动或演绎假说：在解释空间中找到一个与特征空间的结构相对应的假说。这种方法试图找到一种只以特征空间中的相似关系为基础的有效假说。,在没有先验知识的情况下，通常采用聚类分析方法，基于“物以类聚”的观点，用数学方法分析各特征向量之间的距离及分散情况；,如果特征向量集聚集若干个群，可按群间距离远近把它们划分成类；,这种按各类之间的亲疏程度的划分，若事先能知道应划分成几类，则可获得更好的分类结果。,模式分类的主要方法,数据聚类,统计分类,结构模式识别,神经网络,数据聚类,目标：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。,是一种非监督学习的方法，解决方案是数据驱动的。,统计分类,基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。,特征向量分布的获得是基于一个类别已知的训练样本集。,是一种监督分类的方法，分类器是概念驱动的。,结构模式识别,该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目的。,识别采用结构匹配的形式，通过计算一个匹配程度值（,matching score,）来评估一个未知的对象或未知对象某些部分与某种典型模式的关系如何。,当成功地制定出了一组可以描述对象部分之间关系的规则后，可以应用一种特殊的结构模式识别方法,句法模式识别，来检查一个模式基元的序列是否遵守某种规则，即句法规则或语法。,神经网络,神经网络是受人脑组织的生理学启发而创立的。,由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以在不同的神经元之间传递增强或抑制信号。,增强或抑制是通过调整神经元相互间联系的权重系数来（,weight,）实现。,神经网络可以实现监督和非监督学习条件下的分类。,1.4,模式识别系统,模式识别系统的基本构成,数据获取,特征提取和选择,预处理,分类决策,分类器设计,模式识别系统组成单元,数据获取,：用计算机可以运算的符号来表示所研究的对象，即通过各种传感器，将光或声音等信息转化为电信息，或者将文字信息输入计算机,-,例1,、用话筒将声音信号转换成电信号，表现出电压(电流)随时间变化的复杂波形。,-,例2,、景物信息在摄像机靶面成像并转换成二维的象素矩阵，每个像素(矩阵元素)的电信号与物体表面反射的光强或颜色信息呈现函数关系。,因此信号获取环节主要是由不同形式的传感器构成，它实现信息获取与信息在不同媒体之间的转换。,模式识别系统组成单元,信息可以分成,：,一维波形：声波，心电图，脑电图等,二维图象：文字，图象等,物理量：人的身高、体重，商品的重量、质量级别等,逻辑量（0/1)：有无、男女等,模式识别系统组成单元,预处理单元,：其目的为,1,）清除或减少模式采集中的噪声及其它干扰，提高信噪比。,2,）消除或减少数据图像的模糊及几何失真，提高清晰度。,3,）转变模式的结构，以便后续处理（如非线性模式转为线性模式,）。,预处理方法,:,有一维信号滤波去噪，图象的平滑、增强、恢复、滤波、分割等,心电图,图像去噪,模式识别系统组成单元,特征提取和选择,：对原始数据进行变换，得到最能反映分类本质的特征，选择不变性特征,模式识别系统组成单元,特征提取,/,选择的必要性,模式维数很大的问题是处理时间很长，费用很高，有时甚至直接用于分类是不可能的，即所谓“维数灾难”。另外，有些数据坐标对刻划事物的本质贡献不大，甚至很小。,特征提取准则,1,）考虑特征之间的统计关系，选用适当的正交变换，提取最有效的特征，降低数据冗余。,2,）特征提取的分类准则：在该准则下，选择对分类贡献较大的特征，删除贡献甚微的特征。,模式识别系统组成单元,分类器设计：,根据训练样本集，确定判决规则，使得按这样判决规则对被识别对象进行分类时，错误率最小、损失最小或者某一准则函数值最小，即,将该特征空间划分成由各类占据的子空间,(,决策域,),，确定相应的决策分界。,模式识别系统组成单元,模式识别系统组成单元,分类决策：,用相应的决策分界对待分类样本进行分类决策的过程。,例：,如图所示为一个二维特征空间两类物体的分布状况，其中,x,1,与,x,2,分别为两个特征坐标。由于各类样本分布呈现出聚类状态，因此可以将该特征空间划分成由各类占据的子空间，确定相应的决策分界。一般说来采用什么样式的分界由设计者决定，如本题中二维特征空间中可用直线、折线或曲线作为类别的分界线。分界线的类型可由设计者直接确定，也可通过训练过程产生，但是这些分界线的具体参数则利用训练样本经训练过程确定。,分类决策过程是指分类器在分界形式及其具体参数都确定后，对待分类样本进行分类决策的过程。在图所示的情况中，待识别样本按处于分界线左下方，或右上方分类。,x,2,=ax,1,+b,例如右图为两类别样本在二维特征空间中的分布。其中两类别样本分别用“”与“”表示。从图中可见这两类样本在二维特征空间中有相互穿插，也就是说这两类样本很难用简单的分界线将它们完全分开。如果我们用一直线作为分界线，称为线性分类器，对图中所示的样本分布情况，无论直线参数如何设计，总会有错分类发生。,如果我们以错分类最小为原则分类，则图中,A,直线可能是最佳的分界线，它使错分类的样本数量为最小。但是如果将一个“”样本错分成“”类所造成的损失要比将“”分成“”类严重，则偏向使对“”类样本的错分类进一步减少，可以使总的损失为最小，那末,B,直线就可能比,A,直线更适合作为分界线。可见分类器参数的选择或者学习过程得到的结果取决于设计者选择什么样的准则函数。不同准则函数的最优解对应不同的学习结果，得到性能不同的分类器。,模式识别过程实例,在传送带上用光学传感器件对鱼按品种分类,鲈鱼,(Seabass),品种,鲑鱼,(Salmon),识别过程,数据获取：架设一个摄像机，采集一些样本图像，获取样本数据,预处理：去噪声，用一个分割操作把鱼和鱼之间以及鱼和背景之间分开,识别过程,特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量,长度,亮度,宽度,鱼翅的数量和形状,嘴的位置，等等,分类决策：把特征送入决策分类器,模式分类器的获取和评测过程,数据采集,特征选取,模型选择,训练和测试,计算结果和复杂度分析，反馈,训练和测试,训练集：是一个已知样本集，在监督学习方法中，用它来开发出模式分类器。,测试集：在设计识别和分类系统时没有用过的独立样本集。,系统评价原则：为了更好地对模式识别系统性能进行评价，必须使用一组独立于训练集的测试集对系统进行测试。,实例：统计模式识别,19,名男女同学进行体检，测量了身高和体重，但事后发现其中有,4,人忘记填写性别，试问（在最小错误的条件下）这,4,人是男是女？体检数值如下：,实例：统计模式识别（续）,待识别的模式：性别（男或女）,测量的特征：身高和体重,训练样本：,15,名已知性别的样本特征,目标：希望借助于训练样本的特征建立判别函数（即数学模型）,实例：统计模式识别（续）,由训练样本得到的特征空间分布图,实例：统计模式识别（续）,从图中训练样本的分布情况，找出男、女两类特征各自的聚类特点，从而求取一个判别函数（直线或曲线）。,只要给出待分类的模式特征的数值，看它在特征平面上落在判别函数的哪一侧，就可以判别是男还是女了。,实例：句法模式识别,问题：如何利用对图像的结构信息描述，识别如下所示图片：,实例：句法模式识别（续）,将整个场景图像结构分解成一些比较简单的子图像的组合；,子图像又用一些更为简单的基本图像单元来表示，直至子图像达到了我们认为的最简单的图像单元（基元）；,所有这些基元按一定的结构关系来表示，利用多级树结构对其进行描述（这种描述可以采用形式语言理论）。,实例：句法模式识别（续）,多级树描述结构,实例：句法模式识别（续）,训练过程：,用已知结构信息的图像作为训练样本，先识别出基元（比如场景图中的,X,、,Y,、,Z,等简单平面）和它们之间的连接关系（例如长方体,E,是由,X,、,Y,和,Z,三个面拼接而成），并用字母符号代表之；,然后用构造句子的文法来描述生成这幅场景的过程，由此推断出生成该场景的一种文法。,实例：句法模式识别（续）,识别过程：,先对未知结构信息的图像进行基元提取及其相互结构关系的识别；,然后用训练过程获得的文法做句法分析；,如果能被已知结构信息的文法分析出来，则该幅未知图像与训练样本具有相同的结构（识别成功），否则就不是这种结构（识别失败）。,1.5,模式识别的基本问题,一,.,模式,(,样本,),表示方法,向量表示,:,假设一个样本有,n,个变量,(,特征,),=(X,1,X,2,Xn),T,2.,矩阵表示,:N,个样本，,n,个变量,(,特征,),3.,几何表示,一维表示,X,1,=1.5 X,2,=3,二维表示,X,1,=(x,1,x,2,),T,=(1,2),T,X,2,=(x,1,x,2,),T,=(2,1),T,三维表示,X,1,=(x,1,x,2,x,3,),T,=(1,1,0),T,X,2,=(x,1,x,2,x,3,),T,=(1,0,1),T,4.,基元（链码）表示：,在右侧的图中八个基元,分别表示,0,，,1,，,2,，,3,，,4,，,5,，,6,，,7,，八个方向,和基元线段长度。,则右侧样本可以表示为,X,1,=006666,这种方法将在句法模式识,别中用到。,二,.,模式类的紧致性,1.,紧致集：同一类模式类样本的分布比较集中，没有或临界样本很少，这样的模式类称紧致集。,2.,临界点,(,样本,),：在多类样本中，某些样本的值有微小变化时就变成另一类样本称为临界样本（点）。,3.,紧致集的性质,要求临界点很少,集合内的任意两点的连线,在线上的点属于同 一集合,集合内的每一个点都有足够大的邻域,在邻域内只包含同一集合的点,4.,模式识别的要求,:,满足紧致集，才能很好的分类；如果不满足紧致集，就要采取变换的方法,满足紧致集,.,三,.,相似与分类,1.,两个样本,x,i,，,x,j,之间的相似度量满足以下要求：,应为非负值,样本本身相似性度量应最大,度量应满足对称性,在满足紧致性的条件下，相似性应该是点间距离的,单调函数,2.,用各种距离表示相似性：,绝对值距离,已知两个样本,x,i,=(x,i1,x,i2,x,i3,x,in,),T,x,j,=(x,j1,x,j2,x,j3,x,jn,),T,欧几里德距离,明考夫斯基距离,其中当,q=1,时为绝对值距离，当,q=2,时为欧氏距离,切比雪夫距离,q,趋向无穷大时明氏距离的极限情况,马哈拉诺比斯距离,其中,x,i,，,x,j,为特征向量，为协方差。使用的条件是,样本符合正态分布,夹角余弦,为,x,i,x,j,的均值 即样本间夹角小的为一类，具有相似性,例：,x,1,x,2,x,3,的夹角如图：,因为,x,1,x,2,的夹角小,，,所以,x,1,x,2,最相似。,x,y,x,1,x,2,x,3,3.,分类的主观性和客观性,分类带有主观性：目的不同，分类不同。例如：鲸鱼，牛，马从生物学的角度来讲都属于哺乳类，但是从产业角度来讲鲸鱼属于水产业，牛和马属于畜牧业。,分类的客观性：科学性,判断分类必须有客观标准，因此分类是追求客观性的，,但主观性也很难避免，这就是分类的复杂性。,四,.,特征的生成,1.,低层特征：,无序尺度：有明确的数量和数值。,有序尺度：有先后、好坏的次序关系，如酒,分为上，中，下三个等级。,名义尺度：无数量、无次序关系，如有红，,黄两种颜色,2.,中层特征：经过计算，变换得到的特征,3.,高层特征：在中层特征的基础上有目的的经过运,算形成,例如：椅子的重量,=,体积*比重,体积与长，宽，高有关；比重与材料，纹理，颜色有关。这里低、中、高三层特征都有了。,五,.,数据的标准化,1.,极差标准化,2.,方差标准化,标准化的方法很多，原始数据是否应该标准化，应采用,什么方法标准化，都要根据具体情况来定。,所谓生物特征识别(,BIOMETRICS),技术是指通过计算机利用人体所,固有的生理特征或行为特征,来进行个人身份鉴定。生理特征与生俱来,多为先天性的；行为特征则是习惯使然，多为后天性的。我们将生理和行为特征统称为生物特征。,生物特征识别技术包括：指纹识别、虹膜识别、面部识别、说话人识别、笔迹识别、步态识别、红外温谱图等。,1.6,生物特征识别简介,简单地说，根据指纹、虹膜、掌形、脸型、声音、步态、笔迹等，计算机就能猜出你是谁，这就是生物特征识别。生物特征识别是一门计算机,“,模式识别,”,的高科技，主要应用于安全保密、认证防伪、考勤打卡、刑事侦破等。,如果你建设一个数字化社区，就需要有一套安全可靠的门禁系统，是用钥匙？用,IC,卡？还是用指纹锁？如果成本合适的话，大家可能会选择指纹锁，因为指纹是,“,随身携带,”,的，不用当心会丢失；指纹又是唯一的，全球60亿人没有两个指纹是一样的，安全可靠。,鉴别人的身份是一个非常困难的问题，传统的身份鉴别方法把这个问题转化为鉴别一些标识个人身份的事物，这包括两个方面：,1),身份标识物品,，比如钥匙、证件、,ATM,卡等。,2),身份标识知识,，比如用户名和密码。,在一些安全性要求严格的系统中，可以将这两者结合起来，比如,ATM,机要求用户同时提供,ATM,卡和密码。这些传统的身份鉴别方法存在明显的缺点：个人拥有的物品容易丢失或被伪造，个人的密码容易遗忘或记错。更为严重的是这些系统无法区分真正的拥有者和取得身份标识物的冒充者，一旦他人获得了这些身份标识事物，就可以拥有相同的权力。,与传统的身份鉴定手段相比，基于生物特征识别的身份鉴定技术具有以下优点：,1),不易遗忘或丢失；,2),防伪性能好，不易伪造或被盗；,3),随身携带，随时随地可用,。,工作原理,生物特征识别系统基本上都采用相同的工作原理。首先是采集样品，这些样品或是指纹、面孔的图像等，或是语音，随后经过特征提取系统进行处理。根据样品与众不同的特征，用一种算法为其分配一个特征代码。这一代码被存入人的数据库，形成识别数据库。当某人需要被识别身份时，一种特征匹配算法将存在数据库里的该人的特征代码与被识别人的特征相匹配，从而验明其身份。,生物特征识别技术可广泛用于政府、军队、银行、社会福利保障、电子商务及安全防务。例如，一位储户走进了银行，他既没带银行卡，也没有回忆密码就径直提款，当他在提款机上提款时，一台摄像机对该用户的眼睛扫描，然后迅速而准确地完成了用户身份鉴定，办理完业务，这是美国德克薩斯洲联合银行的一个营业部中发生的一个真实的镜头。而该营业部所使用的正是现代生物特征识别技术中的,“,虹膜识别系统,”,。美国,9.11,事件后，反恐怖活动已成为各国政府的共识，加强机场的安全防务十分重要。美国维萨格公司的脸像识别技术在美国的两家机场大显神通，它能在拥挤的人群中挑出某一张面孔，判断他是不是通缉犯。,指纹识别,指纹识别是人们最熟悉的生物测定学技术，也是当今世界上最常用的生物特征身份识别方式。人类从胎儿四个月大就已经形成指纹，从此指纹作为一个随身携带的,“,特殊印章,”,，具有独特的单一性和排它性，不能假冒。,指纹鉴定技术与绝大多数其他的生物测定技术相比更先进（除虹膜识别以外）。扫描仪能够嵌入到键盘和鼠标中，所以系统安装既简单又便宜。,指纹识别技术现在广泛应用于银行储蓄业、保险业、证券业、医疗卫生系统、计算机开机控制、计算机系统访问权限管理、门禁系统、考勤系统、网上交易、指纹驾照、护照等身份证件验证等领域，指纹识别技术有良好的市场前景。,虹膜识别,虹膜识别技术是,90,年代才成熟的生物特征识别技术，但它是目前可靠性最高的生物测定学识别技术，比指纹识别技术更先进，因此在不远的将来可能取代指纹识别技术和其他各种生物特征识别技术。,虹膜是瞳孔与巩膜间的环形可视部分，虹膜具有终身不变性与差异性。人眼中的虹膜是由一种随瞳孔直径的变化而拉伸的复杂的纤维状组织所构成。人们在出生前的随机生长过程中，造成了各自虹膜组织结构的细微差别。因而没有任何虹膜的形状是完全相同的，即使是同一个人的左眼和右眼的虹膜形状也不相同。,因为不同人之间的虹膜具有随机的细节特征和纹理图像，而且这些特征在人的一生中均保持相当高的稳定性，加之进行虹膜识别时，不需对人体进行侵犯，故它是一种理想的生物识别技术。人的虹膜具有大约,266,项可检测到的特征，相比之下，人的指纹只有大约,40,项可检测到的特征。虹膜的这些特征目前可被定位于大约,0.9,米远的一台相机所识别。而由于人们的虹膜之间存在着千差万别，因而识别系统存储的虹膜代码信息，即使有三分之一发生错配，仍能做出准确的鉴别。,虹膜身份识别技术为金融电子化、电子贸易、访问控制、通道控制及智能卡技术的进一步发展提供了一种可靠的安全技术。它的大量使用将指日可待。因此，如果有人对你进行身份识别的话，他只需用相机透过你的眼睛观察你，来确认你并非另外一个人。,国外的虹膜识别研究比我国早，研制的识别系统也比较成熟。美国,SENSAR,公司开发出了虹膜识别系统自动取款机。它使用方便，用户将取款卡插入取款机口后，机器上的立体照相机将迅速捕捉用户脸部，对准用户眼睛，摄取其眼虹膜的数字图像。无论白天或黑夜，也不管用户是否带有普通眼镜或隐形眼镜，不需其他照明灯光，安装着特殊透镜的照相机都可以准确获取用户的虹膜图像，并将获得的图像与用户以前留存在公司（银行）或记录在取款卡的图像比较，核对完身份，用户便可继续下步操作，提取现金。,面部识别,面部识别是人们最早使用的生物特征识别技术。面部识别有两种技术。第一种是比较特征部位的大小和关系，如鼻子的长度和两只眼睛之间的距离；第二种方法是将你有效的图像数据，与存储在数据库中的面孔记录进行匹配。面孔识别的好处在于，它采用的是一种很,“,不显眼,”,的技术：系统将你的面孔捕捉到移动的视频中，分解出特征并且能很快地对它们进行识别。,由中科院计算所科学家自主研制的,“,面像检测与识别核心技术,”,，在,“,中国共产党第,16,次全国代表大会,”,会场人民大会堂获得成功应用，集成了该技术的系统成功实现了利用计算机自动确认与会人员身份。,语音识别,语音识别系统是将人体发出的语音作为生物特征，其过程是首先由用户输入代表自己的帐号或其它身份信息，然后输入密码，即语音，也可以直接输入语音，再对语音进行分析。语音分析有两种方式，其一是从连续语音中抽取出单词和词组，和数据库进行对照，其二是对语音进行基于声带特征的分析，以最终确定用户身份。,笔迹识别,随着计算机技术和网络技术的发展与普及，笔迹鉴别技术的应用领域更为宽广，突破了原有的应用范畴，比如，计算机登录、信息网入网、信用卡签字、电子商务等。从身份识别的角度看，笔迹是一种稳定的行为特征，笔迹的获取具有非侵犯性(或非接触性)，易为人所接受。计算机笔迹鉴别主要分为在线(,on-line),和离线(,off-line),两类。离线笔迹鉴别的对象是写在纸上的字符，通过扫描仪和摄像机转化为计算机能处理的信号；而在线的笔迹鉴别则通过专用的数字板或数字仪实时采集书写信号，它不仅可以采集到笔迹序列并转化成图像，而且可以记录书写的压力、速度等信息，可为笔迹鉴别提供更丰富的信息。,步态识别,步态是指人们行走时的方式，这是一种复杂的行为特征。尽管步态不是每个人都不相同的，但是它也提供了充足的信息来识别人的身份。步态识别的输入是一段行走的视频图像序列，因此其数据采集与脸像识别类似，具有非侵犯性和可接受性。但是，由于序列图像的数据量较大，因此步态识别的计算复杂性比较高，处理起来也比较困难。,在,Carnegie Mellon,大学的机器人研究机构研究人员，采用在健身器带上拍摄走路或跑步的方法开始研究每个人的运动信号，拴在计算机上的模拟照相机捕捉和储存这一运动行为。软件工具移去任何背景尺码，剩下每一物体的一系列轮廓，然后把它作为数字形象储存起来。同一人把他的整个走路过程拍摄下来，然后根据储存的形象，指令计算机确定这个人的身份。,红外温谱图,人的身体各个部位都在向外散发热量，而这种散发热量的模式就是一种每人都不同的生物特征。通过红外设备可以获得反映身体各个部位的发热强度的图像，这种图像称为温谱图。拍摄温谱图的方法和拍摄普通照片的方法类似，因此，可以用人体的各个部位来进行鉴别。温谱图的另一个应用是吸毒检测，因为人体服用某种毒品后，其温谱图会显示特定的结构。目前，已经有温谱图身份鉴别产品问世。,发展趋势,身份识别技术由单一到综合,由于各种生物特征的识别方式都有其一定的适用范围和要求，单一的生物特征识别系统在实际应用中显现出各自的局限性，如有些人的指纹无法提取特征，患白内障的人虹膜会发生变化等等，统计显示迄今为止，还没有一个单生物特征能达到完美无错的要求。目前，生物特征识别领域又出现了一种新的方向，即多种生物特征识别技术结合使用。将数据融合方法用于身份鉴别，结合多种生理和行为特征进行身份鉴别具有低错误拒绝率、特征变化的适应性强，安全可靠性高等优点，从而进一步精化了识别率。提高鉴别系统的精度和可靠性，成为身份鉴别领域发展的趋势。,小结,模式和模式识别的概念,模式识别的发展简史和应用,模式识别的主要方法,模式识别的系统和实例,模式识别的几个基本问题,生物特征识别简介,