بازشناسی اشیا به معنای یافتن یک شی در یک تصویر است. انسان قادر است که بسیاری از اشیای پیرامون خود را بدون کوچکترین مشکلی بازشناسی کند، هرچند ممکن است که این اشیا در حالت های گوناگون و با زوایای دید مختلف و همچنین در اندازه های متفاوت باشند. حتی انسان قادر است اشیا را در حالتی که بخش هایی از آنها را نمی بیند، یا شی دیگری در مسیر دیدش قرار گرفته را نیز بازشناسی کند. اگرچه این امر برای انسان و پستانداران بسیار ساده و عملی است اما در نوع خود یک فرایند محاسباتی بسیار مشکل و پیچیده است. و حل مسایل بازشناسی اشیا کلیدی ارزشمند برای ساخت ماشین های هوشمند نسل آینده است.
1-1- یادگیری ماشین
یادگیری ماشین یک شاخه مهم از گرایش هوش مصنوعی است که هدف آن تعلیم یک ماشین است، به شکلی که بتواند تجربه ها و نمونه های موجود را یاد بگیرد. حاصل این یادگیری، ایجاد یک مدل طبقه بندی است که براساس آن ماشین می تواند نمونه هایی را که در آینده می بیند و مشابه نمونه های موجود هستند، در کلاس مناسب خود قرار دهد. هدف یک سیستم بازشناسی اشیا، قرار دادن اشیا با کمترین خطا، در کلاس مربوط به خودشان است. در سیستم های معمولی بازشناسی اشیا از یک سری فرایندهای استخراج ویژگی و یک طبقه بند استفاده می شود. امروزه روش های بازشناسی اشیا، به عنوان زیرمجموعه ای از یادگیری ماشین، کاربردهای فراوانی در زمینه های مختلف علمی و صنعتی پیدا کرده اند. در حال حاضر از تکنیک های بازشناسی اشیا، در بسیاری از کاربردهای صنعتی، پردازش مستندات، تشخیص هویت و بسیاری از زمینه های دیگر استفاده شود. در فرایند بازشناسی اشیا، تصویرهای اشیای ورودی در کلاس ها و دسته های از پیش تعیین شده طبقه بندی می شوند. در نخست لازم است که یک سیستم کلی بازشناسی الگو که شامل بازشناسی اشیا نیز می باشد مورد بررسی قرار گیرد.
2-1- بازشناسی الگو
در حالت کلی هر توصیف کیفی یا کمی از یک موضوع را می توان الگو نامید. الگوهای بصری را می توان به صورت ترکیبی از المان های تصویر که هرکدام از آنها دارای سطح روشنایی خودشان هستند، در نظر گرفت. هدف کلی از شناسایی خودکار الگوهای بصری، انتساب نمونه ای از یک الگو که سیستم قبلا آن را تجربه نکرده است به یکی از الگوهایی که قبلا برای سیستم معرفی شده اند، می باشد. این انتساب براساس تحلیل ویژگی های الگوی ورودی و کلاس های موجود انجام می گیرد. رسیدن به این هدف کار مشکلی است، زیرا ممکن است الگوی جدید (تصویر ورودی) نسبت به نمونه های قبلی تغییرات زیادی داشته باشد. این تغییرات می توانند ناشی از شرایط محیطی در هنگام تهیه تصویر و یا مربوط به تغییرهای اجتناب ناپذیر در خود الگو باشند. از جمله این تغییرها می توان به نویز وسیله گیرنده تصویر و یا تار بودن تصویر در اثر تنظیم نبودن دوربین اشاره کرد. تغییر در خود الگو هم ممکن است در اثر زمان به وجود آمده باشد.
اولین گام در بازشناسی الگو، جمع آوری شمار مناسبی نمونه از الگوهای مورد نظر (به طور مثال تصویرهای اشیایی که قرار است بازشناسی شوند) است. این بخش زمان زیادی از فرایند طراحی سیستم بازشناسی الگو را به خود اختصاص دهد و گاهی اوقات با مشکلاتی همراه است. پس از جمع آوری نمونه های لازم، باید اقدام به انتخاب نوع ویژگی کرد. انتخاب نوع ویژگی نیازمند دانش اولیه در مورد الگوها است. توانمندی ویژگی برای جداسازی نمونه های کلاس های مختلف، معیار انتخاب آن است. پس از تعیین نوع ویژگی، باید روش یادگیری را انتخاب کرد. روش یادگیری می تواند از نوع بدون نظارت، با نظارت و یا ترکیبی باشد. در یادگیری با نظارت، هر الگو از مجموعه داده، با یک برچسب کلاسی همراه است. هدف این است که براساس نمونه های موجود، مدل طبقه بندی را طوری بسازیم که بتواند نمونه هایی را که تاکنون ندیده است با کمترین خطا در کلاس مربوط به خودشان دسته بندی کند. در یادگیری بدون نظارت، الگوها برچسب کلاسی ندارند و براساس شباهت شان در دسته های یکسان قرار می گیرن

د.