图像识别技术有以下几个重要的发展阶段:
1.“三维重建”:参考人类的识别，首先出现了“三维重建”的方法，即从二维图像中恢复出事物的三维结构；
2.“先验知识库”:为机器建立一个内存中的知识库，然后进行匹配识别，但实用性不高。后来在此基础上增加了局部特征描述和统计方法，提高了匹配精度。
3.《机器学习》:21世纪初，互联网的兴起和数码相机的出现，带来了海量数据。机器学习开始兴起，取代了很多基于规则的处理算法。机器从海量数据中自动总结出物体的特征，然后进行识别判断。比如:人脸检测、人脸识别、车牌识别等。
4.“深度学习”:深度学习强化计算机图像技术。在深度神经网络的帮助下，各类视觉识别的准确率大大提高。神经网络图像识别是目前比较新的图像识别技术，类似于人的图像识别，在某些场景下远远超过人的识别能力。
教材第三章到第六章，我们将分四节课讲解图像处理技术，包括图像识别、模式识别、人脸识别、表情识别。故事场景:识别植物的APP软件、自动驾驶汽车的交通标志识别、刷脸门禁系统、通过微表情透析人物内心活动等。
01定义概念
1.图像识别
利用计算机处理、分析和理解图像以识别目标和物体的不同模式的技术是深度学习算法的一种应用。
2.图形识别
从图像中把握图形特征更符合人类视觉的认知习惯。它是计算机视觉技术的一个重要分支，也是图像检索的重要基础。除了提取主要的图形特征，应用程序还需要提取相关的特征。常用的算法有傅立叶算子、Freeman链码表示法、Blum图骨架法、不变矩特征描述算子等。
3.人脸识别
人类面部特征的收集和比较。过程如下:图像采集、人脸定位、特征提取、特征比对、识别成败。
4.表情识别
人类的表情丰富多彩，共有七种常见的面部特征，即愤怒、厌恶、恐惧、快乐、平静、悲伤、惊讶等。通过表情判断一个人的心理活动。
02原理分析
在学习图像识别的技术原理之前，先思考一个问题:人类是如何识别图像的？
简单来说就是搜索，匹配，然后识别。机器也是一样，通过分类提取重要特征来识别图像。其过程如下:图像采集、图像预处理、特征提取和识别。
