对象识别包括分类和检测两项任务，分类用于判断一 幅图像是否包含某类对象，检测则要求标出这些对象的位置和大小。

对象识别包括分类和检测两项任 务，分类用于判断一幅图像是否包含某类对象 ，检测则要求标出这些对象的位置和大小。对象识别是理解图像和场景的关键 ，具有广泛的应用前景 ，可用于 Web图像自动标注 、海量图像搜索 、图像内容过滤 、机器人 、安全监视 、医学远程会诊等多种领域。通用对象识别面临很多困难，迄今没有完善的解决方案，这些困难包括：(1)光照变化 、视点变化 、尺度变化 、物体变形 、遮挡 、背景嘈杂等多种因素使 同一 物体在不同图像中存在很大的差异 ；(2)同类物体之间存在较大差异 ，这要求识别模型即能体现 同类物体之间的共性 ，又不能混淆相似的物体类别 ；(3)大量 的类别增加了系统实现的难度。近几年来 ，通用对象识别的研究非常活跃 ，新的方法不断涌现。

对象识别系统使用训练图像，训练出识别模型 ，并利用这个模型识别新图像中的对象 ，这个过程一般包括预处理 、特征提取、模型训练和对象识别四个阶段。

特征提取提取图像的亮度模式，纹理细节、形状和轮廓等信息，包括特征选取和特征描述两部分内容。

原始的训练图像往往需要人工进行预处理 ，预处理后 ，可从训练图像中提取特征集 。特征集可以是全局特征 ，体现整幅图像的特点 ，也可以是局部特征 ，代表图像局部的特点。

常用的特征有包括：

(1)Difference of Gaussians(DoG)：最早由Lowe提出，具有平移、尺度不变性，检测速度很快；

(2)Kadir&Brady检测子：通过圆形区域亮度直方图的局部最大熵寻找特征区域，能输出稳定、少量的圆形特征区域；

(3)多尺度Harris检测子：具有尺度不变性，适于检测角形区域；

(4)Hessian-Laplace类似于DoG，这两种方法都检测类似于元球(blob-like)的结构，但Hessian-Laplace方法在尺度一空间定位精度更高；

(5)Harris-Affine区域和Hessian-Affine区域对图像仿射变换具有不变性。

不同的对象识别系统有不同的训练方法。很多方法来源于基本的机器学习技术，如boost、Winnow、支持向量机、RVM、贝叶斯理论、高斯混合模型、EM算法、决策树、决策树桩等技术。训练方法大致可分为两大类：求异法(discriminative approach)和泛化法(generative approach)。求异法试图在特征空间找到一条决策边界，将特征矢量分类，判断它是否属于某类物体。滑动窗口模型常采用求异法训练模型，SVM、决策树、决策树桩及boost类技术常用于求异法泛化法则尽可能多地找到某类对象的特征，根据这些特征出现的概率，使用贝叶斯理论、高斯混合模型判断对象的类别。基于部件的方法常采用泛化法设置、优化模型参数，EM算法常用来处理部件及其之间的关系，这种方法是一种迭代估计参数的方法，它可以处理数据缺失的问题，但不能保证找到全局最大值。

提取了训练图像的特征集后，就可以利用这些特征集训练识别模型。识别模型有很多种，为了描述方便，本文大致把它们分成三大类，分别是基于特征袋(bag of feature)的识别模型，基于部件(part-based)的识别模型，基于滑动窗：(sliding-windows)的识别模型。

(1)特征袋模型又称为单词袋(bag of word)，近几年广泛地应用于各种识别任务，这种模型非常适合多类对象的同时识别，它将自动文档分类技术引入对象识别，将一幅图像看成由大量视觉单词组成，每个视觉单词是矢量量化后的局部特征描述子，在对象识别中，某类对象相当于某类文档主题，寻找某类对象类似于根据某类单词出现的频率寻找文档的主题。该方法在多类对象识别测试中获得了较好的结果。特征袋模型的识别步骤一般为：特征提取、矢量量化、直方图计算、模型训练、对象识别。

(2)基于部件的模型：这种模型学习识别给定类对象共同的相似的部件，通过它们是否存在判断是否存在给定类对象。这种方法很适合具有固定结构和形状的物体。实现细节主要包括如何检测某个部件，采用何种空间结构模型处理部件之间的共存(co-occurrence)关系。在通用对象识别系统，一般采用相对较松散的空间结构模型，如星形网、树形结构、K-fans结构等来表示部件之间的关系。

(3)基于滑动窗口的模型，这种模型隐含地采用固定模板将空间信息表示成特征矢量。这种方法一般采用稠密的特征提取法。然后采用机器学习算法，如支持向量机(SVM)，对隐含模板进行匹配，这种模型往往包含大量的特征集，因此常采用adaboost及级联等技术从大量的特征窗选择最有识别性的特征窗。基于滑动窗口的模型只需要少量的指导，检测精度也较高，但这类方法的定位能力较弱，需要专门的算法将检测到的多个窗口整合起来。