圖4-5則是以貓和狗為識(shí)別目標(biāo)的一個(gè)圖像識(shí)別系統(tǒng)。系統(tǒng)需要一些貓和狗的圖像，通過這些圖像學(xué)習(xí)出貓和狗各自的特征（例如貓和狗的輪廓不一樣），再通過對貓狗特征的學(xué)習(xí)獲得能夠分辨貓狗的分類器。在訓(xùn)練好貓狗分類器以后，當(dāng)有新的貓或者狗的圖像輸入到系統(tǒng)時(shí)，系統(tǒng)首先將圖像轉(zhuǎn)換成特征，然后使用已經(jīng)學(xué)習(xí)好的貓狗分類器就能自動(dòng)識(shí)別出是貓還是狗。需要注意的是，系統(tǒng)只能對已經(jīng)學(xué)習(xí)過的類別進(jìn)行識(shí)別。例如，識(shí)別系統(tǒng)只訓(xùn)練學(xué)習(xí)了狗和貓的圖像，那么該系統(tǒng)只能識(shí)別狗和貓的圖像。如果你給這個(gè)系統(tǒng)一只狐貍的圖像，該系統(tǒng)則無法識(shí)別。

通常，輸入的原始圖像有太多冗余的信息，而這些信息不是分類所必需的。因此，圖像分類的第一步是通過提取包含在圖像中的重要信息并舍棄其余部分來簡化圖像。例如，我們可以通過使用邊緣檢測器，將圖像中物體的邊緣信息提取出來。該步驟稱為特征提取。在傳統(tǒng)的計(jì)算機(jī)視覺方法中，設(shè)計(jì)這些特征對算法的性能是至關(guān)重要的。除了簡單的邊緣特征以外，我們可以進(jìn)一步提取其它更有用的特征。常用的圖像特征包括Haar特征、HOG（Histogram of Oriented Gradients）特征、SIFT（Scale-Invariant Feature Transform）特征、SURF特征（Speeded Up Robust Feature)等。一旦獲取了圖像特征，我們就可以通過前面章節(jié)所學(xué)的分類學(xué)習(xí)方法對圖像進(jìn)行分類。圖像識(shí)別常用的分類學(xué)習(xí)方法主要包括支持向量機(jī)、最近鄰分類器、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等。