模式识别技术的特点

　　模式识别技术的优点

　　模式识别技术类似人类认知和识别的特性，生物信息特征相当于人的实名。

　　（1）与人类认知和识别类似。

　　模式识别技术有特色，通过对生物特征信息进行测量和比对分析，判别样本与预留模板是否一致。模式识别技术该特性和人类识别认知的特性具有类似性。

　　（2）相当于人的实名。

　　人的生物特征和人自身是紧密相连且无法分开的，对人进行模式识别等生物特征认证，如同识别对方姓名与其生物信息特征是否一致，如同对人的实名进行生物信息法定物证复核。例如指纹是法定物证。

　　模式识别技术的缺点

　　模式识别技术具有“拒识率”和“误识率”的缺陷，有效采样获取的特征点少，容易引起认证误判。

　　（1）拒识率、误识率。

　　模式识别是对生物特征信息进行测量，获取相关数据，然后统计样本与预留模板数据一致程度，经比对设定阈值的误差达到分析判别的目的。

　　这种阈值的误差统计识别特性，使传统模式识别技术具有“拒识率”和“误识率”的缺陷。匹配阈值分数大，“拒识率”就会升高；匹配阈值分数小，“误识率”也会升高。

　　（2）特征点数量限制。

　　模式识别是对生物特征信息进行测量，然后统计样本与预留模板一致程度，经比对设定阈值的误差达到分析判别的目的。

　　本节有一个重要的前提，即模式识别是对生物特征信息的测量是建立在一定采样点基础之上的。样板与模板的有效采样点少于一定数量，通过比对设定阈值误差也就达不到分析判别的目的。传统人脸识别有效采样的特征点少，容易引起误判，故不能广泛被使用。

　　模式识别研究方向

　　模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类（Unsupervised Classification）两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。

　　模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等，属于概念识别研究的范畴，是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。

　　模式识别研究主要集中在两方面，一是研究生物体（包括人）是如何感知对象的，属于认识科学的范畴，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容，后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。

　　应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。

　　模式识别所分类的类别数目由特定的识别问题决定。有时，开始时无法得知实际的类别数，需要识别系统反复观测被识别对象以后确定。

　　模式识别与统计学、心理学、语言学、 计算机科学 、生物学、控制论等都有关系。它与 人工智能 、 图像处理 的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。
责任编辑：YYX