图像识别拆开只有两步：算一个可比较的数，再定一个阈值。 Demo 用模板相关加阈值，12 条合成样本全判对（TP 6、FP 0、FN 0、TN 6）， 但这个 1.000 不能当「模型好」的证据——样本是自己造的。
前五节把环境、数学、代码、特征、数据都过了一遍。 这一节把它们串起来，做一件最小但完整的事：看图分类。
一、两步：打分，切一刀
图像识别的全部流程可以压成两步：把图变成一个可比较的分数，再用一个阈值决定它属于哪一类。 Demo 造了两类 8×8 的小图：车辆（横条加两个轮子）和行人（头身腿）。 给每类加高斯噪声造 12 条样本，然后用「相关系数」当分数——它衡量两张图的形状有多像， 取值在 -1 到 1 之间。 结果：车辆样本与车辆模板的相关在 0.79 到 0.98 之间，与行人模板在 0.05 到 0.17 之间。 差距足够大，所以一刀就分开。 准确率 1.000、精度／召回／F1 都是 1.000、混淆矩阵 TP 6、FP 0、FN 0、TN 6。
二、为什么这个 1.000 不算数
因为样本是我造的、噪声是我加的、模板也是我从样本里平均出来的。三件事都由我控制，结果当然好。 换成真实照片，模板匹配很快就不行：光照一变，像素值整体偏移，相关系数立刻掉；角度一变，形状对不上； 有遮挡，相关系数掉一半。 所以这一节的结论不是「模板匹配能用」，而是流程是这样：图 → 分数 → 阈值 → 判定。 深度学习的区别只在第一步：分数不再是人设计的模板，而是模型自己学出来的特征。 后面第八章的卷积网络讲的就是这件事。
三、相关系数为什么能当分数
相关系数先把两张图各自减去自己的均值，再算「同向变化的程度」。 减去均值这一步很关键：它让整体亮度不再影响结果。 所以一张偏亮的车辆图和一张偏暗的车辆图，相关系数依然很高； 而一张车辆图和一张行人图，无论亮度如何，相关系数都低。 这就是「特征」的含义：把跟任务无关的变化（亮度）消掉，把跟任务有关的变化（形状）留下。 上一节的特征工程，本质是同一件事。
四、动手 Demo：模板相关加一刀，12 条全判对
用 numpy 造两类 8×8 图案（车辆、行人），各加高斯噪声造 12 条样本，从前 6 条样本平均出两个模板， 再用相关系数给每条打分、取大者作为判定，最后算准确率与混淆矩阵。
def corr(a, b):
a = a - a.mean(); b = b - b.mean()
return float((a * b).sum() / (np.sqrt((a * a).sum() * (b * b).sum()) + 1e-9))
pred = [0 if corr(im, tpl[0]) > corr(im, tpl[1]) else 1 for im, _ in samples]
实跑输出：
--------------------------------------------------------------------
图像识别 = 特征 + 一刀切下去
--------------------------------------------------------------------
样本 与车辆模板 与行人模板 判成 真值
-------------------------------------------
#01 0.945 0.021 车辆 车辆
#02 0.128 0.867 行人 行人
#03 0.952 0.041 车辆 车辆
#04 -0.058 0.891 行人 行人
#05 0.922 0.158 车辆 车辆
#06 0.136 0.931 行人 行人
#07 0.902 0.036 车辆 车辆
#08 0.064 0.829 行人 行人
#09 0.925 0.162 车辆 车辆
#10 0.155 0.798 行人 行人
#11 0.792 0.156 车辆 车辆
#12 0.167 0.844 行人 行人
准确率 1.000
精度 / 召回 / F1 1.000 / 1.000 / 1.000
混淆矩阵 TP 6、FP 0、FN 0、TN 6
这里的「特征」就是模板本身，「模型」就是一个相关系数加大于号。
模板是拿前 6 条样本平均出来的，不是真值；但合成图里两类差别够大，
12 条一条没判错。这个 1.000 不能当「模型好」的证据——样本是自己造的。
换成真实照片，模板匹配很快就撑不住：光照、角度、遮挡一变，相关系数就塌了。
深度学习的区别只在第一步：模板不再是人画的，是学出来的。
12 行打分里，车辆样本与车辆模板都在 0.79 以上，与行人模板都在 0.17 以下， 中间空得很宽——所以这一刀怎么切都对。 准确率 1.000、F1 1.000、混淆矩阵 TP 6 / FP 0 / FN 0 / TN 6。 数字漂亮，但我在正文和输出里都写了：样本是造的，不能当证据。 模板是拿前 6 条样本平均出来的，不是「真值模板」。 这一步很关键——真实系统里你也没有真值模板，只能从样本估。 这两个类别的形状差得很远（横条 对 竖条），所以相关系数能分开。 如果两类形状接近（比如轿车对卡车），这个办法立刻就吃力了。
30 秒实验
- 把噪声标准差从 0.30 加到 0.60，看准确率掉到多少。
- 把模板换成「只用 1 条样本」，看结果抖不抖。
- 想一想：为什么「减去均值」这一步能消掉亮度的影响？
常见误区
- 「准确率 1.0 说明方法好」——样本是自己造的，模板也是自己估的。
- 「模板匹配过时了」——小样本、形状固定的场景里它又快又稳。
- 「图像识别很神秘」——拆开就是打分加阈值。
自测三问（点开对答案）
1. 图像识别的两步是什么？ —— 把图变成可比较的分数，再用阈值判定。 2. 为什么这个 Demo 的 1.000 不能当证据？ —— 样本、噪声、模板全由自己造，没有真实数据检验。 3. 相关系数为什么要先减均值？ —— 让整体亮度不再影响结果，只比较形状。基础能力六项讲完。下一节换个角度：这个岗位每天到底在干什么活。
- ☐ （本节完，下一节 2.2.1 AI训练师工作职责：赋予人工智能生命与智慧）