图像识别

图像识别概念：

我们对图像进行一些列的处理，将其有用的信息提取出来，进行划分归类，这就是图像识别。

图像识别目的：

将景物、图像、字符等信息经过预处理，然后进行识别，让计算机具有机器视觉，能够与外界进行交互，具有类似人类所拥有的识别物体的能力，这就是图像识别的目的。
图像识别的结果，可以让机器更加智能，扩展的方向如：图像检索、图像推荐等。

图像识别发展的过程

文字的识别；数字图像的处理与识别；物体的识别。

图像识别中的特征提取

图像识别中的特征提取非常重要，图像识别主要是根据图像的特征进行分类，按照同一相似特征将图像分为一类，另一相似特征分为另一类。
特征分为两类：初级特征（浅层特征）和高级特征（结构性特征）。
初级特征：形状特征、颜色特征、纹理特征。
高级特征：根据底层特征抽取并学习得到的语义特征，表现的很抽象，如人的行为分析、无人驾驶、人脸分析等。

图像识别方法

传统方法为：
模版匹配方法（采用已知的模版与目标图像进行匹配比较）；贝叶斯分类法；人工神经网络法等。
当前的深度学习用到的图像识别方法基于神经网络。

深度学习

深度学习基础理论

神经网络的基本理念是一个相互连接的单元所组成的系统，这个系统能够对外界所输入的一些刺激做出反应，继而激活整个系统。
深度学习是机器学习的一个新的分支，它的目的是模拟人脑建立神经网络，它可以使用多个信息处理层处理图像、文本以及声音等信息。通过模拟人脑的神经系统，利用分层模型逐层对数据提取更抽象的特征表示，这样的多层非线性信息处理可以运用到图像识别、模式识别、特征提取上；低层次的特征可以形成高层次的特征，这样的分层次结构可以成为深层结构。
研究学者在传统神经网络的基础上研究深度学习，利用底层像素特征学习到更高层、更抽象的特征，这些特征能够更好的表示属性类别和描述数据，我们可以把深度学习认为是神经网络的延伸。
深度学习由多个神经元构成，这一层的输入是上一层的输出，底层到高层无干预的学习，学习到每一层的抽象特征，最后通过自动学习到的网络运用分类器进行识别。

深度学习可以概括为三个关键点：

（1）深度学习包括多个非线性数据处理层；
（2）深度学习自底向上学习到的特征越来越高级；
（3）利用分层的思想，通过学习底层的特征得到高层的特征。