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
当时MIT的计算机老师组织了一个面向本科生的两个月的Summer Project。这个Project的目的是设计一个系统，能够智能识别场景里头的物体，并区分出类别。当时他们低估了这个问题的难度，结果可想而知。
原因是我们看到的这个物体的样子，只是它在某种背景下某一种光线条件下特定角度的投影的，换一个角度可能就是完全不同的样子。即使是同一个物体，例如人，躺着或者站着，形态都是不一样的。
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：
获取数据问题：
在不同的视角对同一物体也会得到不同的图像，物体所处的场景的背景以及物体会被遮挡，背景杂物一直是影响物体识别性能的重要因素，场景中的诸多因素，如光源、表面颜色、摄像机等也会影响到图像的像素灰度，要确定各种因素对像素灰度的作用大小是很困难的，这些使得图像本身在很多时候并不能提供足够的信息来恢复景物。