Notes.md

特征提取和识别

目标

了解多种检测、提取特征的算法

了解匹配特征的算法

了解储存特征的函数

学会匹配两张图的特征点

学会在复杂场景中寻找特定物体的方法

了解 OCR 及识别验证码的一般步骤

内容

特征检测、提取、匹配及其应用

阅读文档《Local Feature Detection and Extraction》《Point Feature Types》《Local Feature Extraction》，了解 BRISK、 FAST、 Harris、 MinEigen、 MSERF、 SURF，这些函数可以检测不同类型的特征。

调用课程提供的函数 detectObjectDemo 在图片 scene.jpg 的场景中检测 cover.jpg 中的书。

detectObjectDemo('cover.jpg', 'scene.jpg', 1);

光学字符识别（OCR）

OCR 的全称是 Optical Character Recognition，matlab 提供了一整套工具，阅读文档《Optical Character Recognition (OCR)》了解详情。

运行以下简单的示例，查看识别效果，注意文中的“in”被误判为“m”。

img = imread('quote.jpg');
ocrDemo(img);

提高 OCR 的准确率一直是计算机视觉领域的热点。一些手段可以提高特定场景下识别的准确率，阅读文档《Recognize Text Using Optical Character Recognition (OCR)》和《Automatically Detect and Recognize Text in Natural Images》。

识别验证码一般要使用多种图像处理手段，对于复杂的验证码，可能无论如何都无法达到较高的准确率。但是考虑到网站允许输错后重新输入，即便识别单个验证码的正确率只有 20%，通过验证所需识别次数的期望也仅有 5。

一种通用的办法是针对某种验证码训练神经网络，阅读文档《Train Optical Character Recognition for Custom Fonts》。

深度学习、物体检测和识别

深度学习是机器学习的分支，也是当下最火热的领域。接下来我们通过一个例子，感受两种深度学习算法的魅力。

看一个识别车牌的例子

edit TrainAStopSignDetectorExample.m

上例用到了级联探测器，这个探测器的特点就是需要正面的例子和反面的例子，详情阅读文档《Train a Cascade Object Detector》。

上述例子还可以用 R-CNN（region convolution neural network，区域卷积神经网络）实现，详情阅读文档《Object Detection Using Deep Learning》，这种方法的特点是不需要反面的例子，只需要正面的例子。

用深度学习的方法识别物体往往需要大量的标记好的数据，标记的过程是耗时耗力的。此外，训练神经网络需要大量的计算资源。这两点是限制深度学习普及的重要因素。比如说，DeepMind 公司训练 AlphaGo 系列产品，使用了数千块 TPU。

家庭作业

阅读文档《Coordinate Systems》《Object Detection in a Cluttered Scene Using Point Feature Matching》。

从 scene.jpg 的场景中检测 bag.jpg 中的塑料包装袋并定位。

阅读 为什么有些验证码看起来很容易但是没人做自动识别的？ 和 怎样用 MATLAB 识别图片上的文字?。