《模式识别与计算机视觉》教学大纲.docVIP

PAGE3

《模式识别与计算机视觉》教学大纲

课程英文名

PatternRecognitionandComputer

Vision

课程代码

03M0287

学分

3.0

总学时

48

理论学时

36

实验学时

12

上机学时

0

实践学时

0

课程类别

专业教育课程

课程性质

必修

先修课程

概率论与数理统计、程序设计基础、机器学习等

适用专业

人工智能

开课学院

信息工程学院

执笔人

武林会

审定人

专业评定小组

制定时间

2025年01月

注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。

一、课程地位与课程目标

（一）课程地位

《模式识别与计算机视觉》是人工智能专业的主要研究方向之一，是人工智能及相关专业学生的专业重要必修课程，面向高年级本科生。本课程使学生对计算机视觉和模式识别的概念有深入的认识，开阔学生的视野，使学生建立良好的“视觉计算思维模式”，通过对如何使用机器“看”中遇到的具体实际问题，培养学生使用摄像机和电脑代替人眼对目标进行识别、跟踪和测量的能力。通过对模式识别以及计算机视觉的基本理论和方法、应用案例的学习，培养学生利用模式识别方法、运用计算机视觉技能解决本专业及相关领域实际问题的能力。

（二）课程目标

该课程应达到的预期学习结果（ILO，IntendedLearningOutcomes）如下所示：

1、ILO-1：了解模式识别、概率论和数理统计的基本概念，了解有关计算机视觉的基本概念及其相关理论，了解计算机视觉技术发展的前言动态和各领域的研究热点问题；掌握条件概率、贝叶斯公式等常用概率分布，掌握最大似然法、贝叶斯方法、KNN近邻估计方法等理论基础。

2、ILO-2：掌握计算机视觉的模型及特点，掌握计算机视觉所包括的研究内容、理论和算法，熟悉使用主流的编程工具和框架（如Python、OpenCV等），具备进行图像处理和模式识别的编程实践能力。

3、ILO-3：掌握计算机视觉带来的计算模式的变化及其计算领域产生的深远影响，开阔学生的视野，使学生建立良好的“视觉计算思维模式”，掌握复杂计算机视觉系统设计思想以及利用计算机视觉技术解决实际问题的能力，培养他们的创新能力和实践精神，增强他们的社会责任感，使其在未来的学习和工作中，能够更好地为社会发展贡献力量。

二、课程目标达成的途径与方法

课程主要以课堂教学与实验相结合，具体通过课堂教学、测验、课堂讨论、课外作业、实验、期末考试等途径和方式来达成。课程目标达成的途径与方法如下表所示。

课程目标

课程目标达成的途径与方法

ILO-1

课堂教学、测验、课堂讨论、课外作业、期末考试

ILO-2

课堂教学、实验、期末考试

ILO-3

课堂教学、实验操作、实验报告

三、课程目标与相关毕业要求的对应关系

本课程支撑的毕业要求如下：

毕业要求1：工程知识：能够将数学、自然科学、人工智能专业知识用于解决人工智能相关的复杂工程问题。

毕业要求1-2：能够针对人工智能系统建立合适的数学模型求解、仿真。

毕业要求3：设计/开发解决方案：能够设计针对人工智能复杂问题的解决方案，设计满足特定需求的智能系统，并能够在设计环节中体现创新意识，考虑社会、健康、安全、法律、文化以及环境等因素。

毕业要求3-2：能够针对特定需求独立进行智能系统设计，并通过仿真或实验等手段验证可行性。

毕业要求5：使用现代工具：能够针对人工智能复杂问题，开发、选择与使用恰当的技术、资源、现代工程工具和信息技术工具，包括对复杂工程问题的预测和模拟，并能够理解其局限性。

毕业要求5-2：能够运用Python、C/C++等编程工具完成人工智能系统工程问题的模拟、仿真分析与预测。

课程目标对毕业要求的支撑关系如表1所示。

表1课程目标对毕业要求的支撑关系

课程目标

毕业要求

课程目标对毕业要求的支撑程度（H、M、L）

毕业要求1-2

毕业要求3-2

毕业要求5-2

ILO-1

M

ILO-2

H

ILO-3

H

注：1.支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。

四、课程主要内容与基本要求

1、概论

知识点：模式识别的主要方法、监督模式识别与非监督模式识别、模式识别系统的典型构成。

基本要求：了解模式识别的一些基本定义、概念以及模式识别的主要方法。

2、统计决策方法

知识点：贝叶斯决策、正态分布时的统计决策、错误率的计算、马尔科夫模型及其在马尔科夫模型下的贝叶斯决策。

基本要求：掌握常用的统计决策方法。

3、概率密度函数的估计

知识点：最大似然法、贝叶斯方法、KNN近邻估计方法等。

基本要求：掌握概率论中的一些常用概率估计模型。

4、计算机视觉分析基础

知识点：计算机视觉的基本概念与基础知识、计算机视觉python编程、加载图像、视频以及数据转换