传统的图像识别技术以浅层结构网络为主，图像识别其目的就是根据检测到图像，对需要的部分进行特征提取，过滤掉干扰信息，从而通过分类来识别图像。
为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。图像识别中的模式识别（PatternRecognition），是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。
模式识别包括两个阶段，即学习阶段和实现阶段，前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。这个模式识别的模板匹配模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时,人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。
一个图像识别过程通常主要需要分为四步：
一是信息数据获取，图像识别的前提是信息数据的获取，将特殊信号通过各类传感器转化为电信号，从而获取到所需的信息，存储在数据库中。
二是信息数据预处理，这部分主要是对图像进行去噪、平滑及变换等处理，凸显图像中重要的信息及特征。
三是特征选择与提取，这是图像识别技术的关键内容，特别是在识别模式中，其实际操作要求更高，这也直接决定了图像是否能够被成功识别，能否储存所提取的特征。
四是分类器设计及决策分类，可根据某种规律识别图像，而并非在识别中处于比较盲目和混乱的状态，基于此对规律进行识别以突显出相似的特征种类，使图像识别过程具有更高的辨识率，再通过识别特殊特征，实现评价和确认图像的目标。
喜欢本文的话，欢迎关注活在信息时代哦：） |
