模式識別技術的優點

模式識別技術類似人類認知和識別的特性，生物信息特征相當于人的實名。

（1）與人類認知和識別類似。

模式識別技術有特色，通過對生物特征信息進行測量和比對分析，判別樣本與預留模板是否一致。模式識別技術該特性和人類識別認知的特性具有類似性。

（2）相當于人的實名。

人的生物特征和人自身是緊密相連且無法分開的，對人進行模式識別等生物特征認證，如同識別對方姓名與其生物信息特征是否一致，如同對人的實名進行生物信息法定物證復核。例如指紋是法定物證。

模式識別技術的缺點

模式識別技術具有“拒識率”和“誤識率”的缺陷，有效采樣獲取的特征點少，容易引起認證誤判。

（1）拒識率、誤識率。

模式識別是對生物特征信息進行測量，獲取相關數據，然后統計樣本與預留模板數據一致程度，經比對設定閾值的誤差達到分析判別的目的。

這種閾值的誤差統計識別特性，使傳統模式識別技術具有“拒識率”和“誤識率”的缺陷。匹配閾值分數大，“拒識率”就會升高；匹配閾值分數小，“誤識率”也會升高。

（2）特征點數量限制。

模式識別是對生物特征信息進行測量，然后統計樣本與預留模板一致程度，經比對設定閾值的誤差達到分析判別的目的。

本節有一個重要的前提，即模式識別是對生物特征信息的測量是建立在一定采樣點基礎之上的。樣板與模板的有效采樣點少于一定數量，通過比對設定閾值誤差也就達不到分析判別的目的。傳統人臉識別有效采樣的特征點少，容易引起誤判，故不能廣泛被使用。

模式識別研究方向

模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類（Supervised Classification）和無監督的分類（Unsupervised Classification）兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預先已知。一般說來，有監督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監督的分類就變得十分有必要了。

模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等，屬于概念識別研究的范疇，是人工智能的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物傳感器等對象的具體模式進行辨識和分類。

模式識別研究主要集中在兩方面，一是研究生物體（包括人）是如何感知對象的，屬于認識科學的范疇，二是在給定的任務下，如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容，后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力，已經取得了系統的研究成果。

應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。

模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以后確定。

模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智能 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智能的學習機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特征抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。
責任編輯：YYX