1.1 图像识别难在哪：规则、特征与学习时代

1.1 图像识别难在哪：规则、特征与学习时代

本节摘要：图像识别的难点不在"认出"而在"认准"——光照、视角、遮挡、形变让同一个物体在像素层面千变万化。本节用可复现的小实验说明规则方法与手工特征为何相继触顶，并解释"让特征从数据里学出来"为什么是卷积网络登场的先决条件。它是全册流水线的起点：先看清进料的混乱，才理解后面每一道工序存在的理由。

从一个反例说起

1990 年代的邮政系统有过一个体面的愿望：让机器自动分拣手写信封。规则很快写出来了——数字"1"是一条竖线，"0"是一个圈。可信封一上手就穿帮：有人把"1"写得带钩，有人把"7"写得像"1"，钢笔字洇开、复印件发虚、邮票盖歪压住了数字。每补一条规则，就冒出更多例外。工程师最终承认：识别难，不是因为规则不够多，而是因为像素世界里"同一个东西"变化太大，规则永远追不完。

这个反例值得每个入门者亲眼看一遍。下面的小实验用最朴素的"像素距离"做识别：谁离模板近就是谁。结果会颠覆直觉。

import numpy as np

# 造一张 8×8 的斜线图案，模拟一个手写字符的笔画
img = np.zeros((8, 8))
img[2, 2] = img[3, 3] = img[4, 4] = img[5, 5] = 1.0

# 同一个字向右挪一格：人眼看来毫无区别
shifted = np.roll(img, shift=1, axis=1)

# 另一个完全不同的图案：一横（与斜线在中间共享一个像素）
other = np.zeros((8, 8))
other[3, 2:6] = 1.0

def l2(a, b):
    return float(np.sqrt(((a - b) ** 2).sum()))

print("同一个字挪一格的像素距离:", round(l2(img, shifted), 2))
print("两个不同图案的像素距离:  ", round(l2(img, other), 2))
​

运行结果值得抄在笔记本上：同一个字挪一格，像素距离 2.83；换成一个完全不同的图案，距离反而只有 2.45。像素空间里，"位置变化"造成的差异比"换了字"还大。任何直接在像素上比距离、套规则的方案，都会先被平移这种最无害的变化击倒——这就是图像识别的敌人清单里的第一位，后面还排着光照、旋转、尺度、遮挡与背景干扰。

学习目标

阅读完本节，你应当能够：

1. 列出至少五类让识别失败的图像变化，并各给一个生活实例；
2. 解释基于像素比对的规则方法为何在数学上就站不住；
3. 描述手工特征（SIFT、HOG）的思路、流水线式用法，以及滑动窗口的开销量级；
4. 说清"手工设计特征"与"从数据学特征"的分界线，以及这条线如何引出卷积网络。

一、规则方法的黄昏

规则方法的隐含假设是：物体的类别与像素值之间存在可以直接写出的对应关系。这个假设在打印体、固定机位、纯色背景的实验室条件下勉强成立，一进真实世界就碎裂。原因可以归结为一条：类内变化远大于类间差异。同一只猫在正午与黄昏的像素差，可能比猫与狗在标准照中的像素差更大。

用一行伪代码概括这类方案：如果图像里有圆形且下方有两条竖线，就输出"人脸"。它的问题不是写不出，而是写不完——圆形可以是脸、是轮子、是满月；两条竖线可以是鼻子、是树干、是门缝。规则之间还会打架，维护成本随规则数超线性增长。业内把这类系统的宿命叫"规则沼泽"：越挣扎陷得越深。

二、手工特征的天花板

研究者很快换了思路：别在像素上较劲，先把图像变换到一组对光照、平移不那么敏感的描述子上，再在描述子上做分类。SIFT 在局部关键点上统计梯度方向直方图，对旋转与尺度有一定容忍；HOG 把图像切成小块，统计每块的梯度分布，特别适合捕捉人体与字符的轮廓。这些手工特征加上 SVM 之类的浅分类器，在 2000 年代撑起了大半个人工视觉系统。

它们确实比裸像素强得多，但用法是"流水线式"的：检测器在图上滑窗，每个窗口提一遍特征，分类器逐窗判决。开销可以算出来，这也正是它跑不快的根源。

# 滑动窗口的账：一张 224×224 的图，找 64×64 的目标
W = H = 224        # 输入边长
win = 64           # 窗口边长
stride = 16        # 步长
scales = 5         # 图像金字塔层数（应对远近大小）

per_axis = (H - win) // stride + 1        # 每行可放的位置数
per_scale = per_axis * per_axis           # 单尺度窗口总数
hog_dim = 49 * 36                          # 64×64 图的 HOG 维度：49 个块，每块 36 维

print("单尺度窗口数:", per_scale)                  # 121
print("五个尺度总窗口数:", per_scale * scales)     # 605
print("每窗口特征维数:", hog_dim)                  # 1764
print("每图特征总量级:", per_scale * scales * hog_dim)  # 约 106 万
​

每个窗口 1764 维特征、整图 605 个窗口，一帧就要处理上百万维的量级；视频流下更是成倍放大。更要命的是天花板：HOG 数梯度方向，它就永远看不见"梯度直方图没编码的语义"；SIFT 数关键点，纹理弱的物体它就没辙。特征是人定的，识别的上限就被人锁死了。 研究者不是没想过自动组合特征，但在深度网络成熟之前，没人能让"特征学习"这件事可优化、可规模化。

三、学习时代：特征自己长出来

转折点的想法朴素得惊人：既然特征难设计，就把它变成参数，让优化算法从数据里学。问题只剩一个——什么样的网络结构能让"学特征"这件事高效？答案是卷积神经网络：它的局部连接限制了每个神经元只看一小块区域，权值共享让同一套检测模式在整个图像上复用。这两条设计在下一节展开，这里只需记住分工：手工特征时代，人负责"看什么"；学习时代，人只负责"怎么学"，看什么交给梯度下降。

2012 年 ImageNet 竞赛上，卷积网络把冠军错误率一下子拉到比第二名低十个百分点以上，靠的不是更多规则、更精的特征，而是数据与算力喂出来的端到端学习。从那以后，图像识别的技术栈整体迁到了"数据进、特征出、分类头上"的新流水线上。

巡检记录

• 难点本质：类内变化（同一物体的各种成像）大于类间差异，像素层面无法直接比较语义；
• 反例数字：同一个字挪一格的像素距离 2.83，大于两个不同图案的 2.45——平移就足以击穿像素比对；
• 手工特征的账：64×64 窗口的 HOG 是 1764 维，一张 224×224 图滑窗五层金字塔要提 605 次，上百万维特征换来的仍是被人写死的天花板；
• 分水岭：特征从"人定"变成"参数化、可学习"，是规则时代与学习时代的分界线，也是卷积网络登场的理由。

⚠️ 常见误判：把"深度学习赢了"归因于模型更聪明。真实因果是——特征学习把"设计特征"的人力成本换成了"标注数据 + 算力"的成本，而后者在 2010 年代恰好开始规模化。没有这个前提，再好的结构也无人问津。

下一节走进入线检查区的第二站：卷积网络究竟靠哪两条设计原则，把"学特征"变成了划算的买卖。