点击图片查看原图物体识别
物体识别是计算机视觉领域中的一项基础研究，它的任务是识别出图像中有什么物体，并报告出这个物体在图像表示的场景中的位置和方向。目前物体识别方法可以归为两类：基于模型的或者基于上下文识别的方法，二维物体识别或者三维物体识别方法。对于物体识别方法的评价标准，Grimson 总结出了大多数研究者主要认可的 4 个标准：健壮性（robustness）、正确性（correctness）、效率（efficiency）和范围（scope）。
物体识别的主要方法
基于统计的方法与基于物体部件的方法：
根据识别方法是否对局部特征之间的关系建模，可以把识别方法分为基于统计的方法与基于物体部件的方法。
1、基于统计的物体分类方法（BoW：Bag of Words）
BoW模型严格上讲并不是一种物体识别方法，而是一种物体分类方法。这种模型的灵感来自于NLP中的BoW模型。。一幅图像可以看作是一篇“文档”，而图像中提取出的特征认为是“词语”。
1）生成性方法的学习与识别
生成性的学习方法通过先验知识去拟合并解释图像中的信号。在中，有两种主要的生成性方法，一种是NB（朴素贝叶斯），另外一种是pLSA（概率潜语义分析）与LDA（线性判别分析）。
物体识别的性能评估方法
判定物体识别的性能通常采用PR曲线。其中P（Precision）指精度（准确率），一般为y轴；R（Recall）指识别率（召回率），一般为x轴。
P=（识别正确的结果）/（所有识别结果）；R=（识别正确的结果）/（实际上正确的结果）。识别结果的类型如下：
一个好的识别方法应该同时具备高的准确率与高的召回率。准确率等于0.5是一个界限，当精度低于0.5时，说明该方法的效率己经低于随机猜测的结果，（因为随机猜测的准确率为0.5）。除了PR曲线，也有文献使用其它曲线来度量识别结果，如ROC曲线或FPPW等。
物体识别的困难与前景
虽然物体识别已经被广泛研究了很多年，研究出大量的技术和算法，物体识别方法的健壮性、正确性、效率以及范围得到了很大的提升，但是现在依然存在一些困难以及识别障碍。这些困难主要有：
知识导引问题：
同样的图像在不同的知识导引下，会产生不同的识别结果，知识库的建立不仅要使用物体的自身知识，如颜色、纹理、形状等，也需要物体间关系的知识，知识库的有效性与准备性直接影响了物体识别的准确性。
