物體識別

嘗試用創建三維模型方法去做物體識別。通常，事先定義一些基本的幾何形狀，然后把物體表示為基本幾何形狀的組合，然后去匹配圖像。這時候識別問題變成了一個匹配問題。在三維模型庫中去搜索可能的視角投影，跟待識別的圖像進行匹配。如果找到較合適的匹配，就認為是識別成功了。

但是這么做并不是很有效。首先，很多物體很難用所謂的基本幾何形狀去描述它，特別是一些非剛體，比如動物；其次，對于一類物體，它可能會有豐富的類內差異性，即使是同一個物體在不同的姿態下也不一樣，不可能每一種姿態都預先創建一個三維模型模板；第三，即使解決了之前的問題，如何才能準確地從圖像中提取出 這些幾何形狀也存在困難。

物體識別

物體識別領域有了較大的發展。首先圖像特征層面，人們設計了各種各樣的圖像特征，像SIFT，HOG，LBP等等。與此同時，機器學習方法的發展也為模式識別提供了各種強大的分類器。后來人們還在對物體建模方面做了一些工作，旨在用更靈活的模型，而不是單一的模板去定義物體。

隨著人工智能、大數據和深度學習技術的不斷發展，以及3D傳感器、深度攝像頭等硬件的不斷升級，利用深度信息進行三維物體識別的技術，逐漸受到蘋果公司等科技大牛和高通等廠商重視，并被植入到硬件產品中。

物體識別的困難與前景

雖然物體識別已經被廣泛研究了很多年，研究出大量的技術和算法，物體識別方法的健壯性、正確性、效率以及范圍得到了很大的提升，但是現在依然存在一些困難以及識別障礙。這些困難主要有：

獲取數據問題：

在不同的視角對同一物體也會得到不同的圖像，物體所處的場景的背景以及物體會被遮擋，背景雜物一直是影響物體識別性能的重要因素，場景中的諸多因素，如光源、表面顏色、攝像機等也會影響到圖像的像素灰度，要確定各種因素對像素灰度的作用大小是很困難的，這些使得圖像本身在很多時候并不能提供足夠的信息來恢復景物。