这是一个研究问题而非直接编程问题。
我正在研究一种符号识别算法，该软件目前的功能是什么，它采用图像，将其划分为轮廓（blob）并开始将每个轮廓与预定义模板列表进行匹配。然后对于每个轮廓，它采用匹配率最高的那个。
算法正在顺利进行，但我需要更好地训练它。我的意思是： 我想使用机器学习算法来训练算法以获得更好的匹配。让我们举个例子：
我在符号上运行识别，算法将运行并发现此符号是汽车，然后我必须确认结果（可能通过点击“是”或“否”）算法应该从中学习。因此，如果我点击否，算法应该知道这不是汽车，并且下次会有更好的结果（也许尝试匹配其他东西）。如果我点击“是”，他就会知道他是正确的，下次他在搜索汽车时表现更好。
这是我想要研究的概念。我需要能够实现这类目标的文档或算法。我不是在寻找实现或编程，只是概念或研究。
我做了很多关于机器学习，神经网络，决策树的研究和阅读......但是我无法知道如何在我的场景中使用任何东西。
我希望我很清楚，这种类型的问题在堆栈溢出时是允许的。如果不是我很抱歉
非常感谢任何帮助或提示
答案 0 :(得分：5)
图像识别仍然是社区的挑战。您在手动单击是/否的过程中所描述的只是创建标记数据。由于这是一个非常广泛的领域，我将仅指出一些可能有用的链接。
首先，您可能希望使用一些现有的图像数据库，而不是创建自己的图像数据库，这可以节省大量的工作。例如，UCIC image db中的这个汽车数据集。
由于您已具备机器学习的背景，因此您可以查看一些与您的项目兴趣完全匹配的调查文件，例如，在Google中搜索object recognition survey paper或feature extraction car。 / p>
然后你可以深入研究一些好的论文，看看它们是否适合你的项目。例如，您可以查看下面与UCIC图像数据库链接的两篇论文。
同时检查一些已实施的软件，而不是从头开始，在您的情况下，opencv应该是一个好的开始。
对于图像识别，特征提取是最重要的一步。您可能想要检查社区中的一些最先进的算法。 （SIFT，均值漂移，harr特征等）。
当您到达分类步骤时，Boosting算法也可能很有用。我看到很多学者在图像识别界提到这一点。
正如@nickbar建议的那样，请在https://stats.stackexchange.com/