1、想设计一种一统天下的算法是痴人说梦，不同的目标识别必须为其量身定做相应的算法。即使是同一种目标，有时在不同的状态下，针对同一目标，也需要设计特定的算法。
2、对目标进行识别时，需要对大量的样本进行分析，首先应对样本进行人工分类，然后尽可能地增加样本数量，足够到你增加任何一个样本，都可以投放到你所分的类别中。（疑问，针对不同的分类器，肯定对样本有不同要求，训练出的分类器分类精度又有不同结果，所以这点没必要增加过多样本，比如BP网络，样本过多往往造成过学习。）
3、目标有很多特征，但是你一定要区分开处于不同尺度的特征，不能将它们混为一谈，大尺度的特征可能有助于你对目标进行定性计算（分类），而微尺度特征可能有助于你定量计算（识别结果）。（虽然这里的尺度与我想用的不一样，但意义是意义滴）
4、任何目标特征，必须用数学语言描述出来才有意义，如果你有一种潜意识的感觉将某些目标归为一类，你却又无法用数学语言描述它，赶紧抓住这种感觉，先用自然语言去描述它，然后逐步过渡为数学语言，说不定一篇好paper就出来了。
5、识别目标并不是选择的特征越多越好，特征多了，特征之间本身存在一些矛盾，会使算法精度降低，寻找短小精悍足够用于区分目标类别的特征才是王道！（可以选择PCA来搞定，如果本身无专家知识的话）
6、设计出一种算法，需要用大量的样本测试，才能证明你算法的健壮性。测试结果不好，不要害怕和气馁。振作精神，把你的结果分为优、良、中、差四个级别，从“良”开始分析，为什么达不到“优”呢，算法哪些地方还需要改进，通过改进可以在不破坏现有“优”的情况下，将“良”变成“优”吗？还是要为结果是“良”的样本设计新的算法？如此递进，直至所有样本得到优的结果。（有待实践啊）
7、设计一个自己的算法库，将有效的算法集中存放起来，日后必定会派的上用场。（嗯，说得好）
8、设计算法时，首先不要考虑处理速度的问题，而应将处理效果放在首位（特殊场合除外），将处理效果良好的算法进行简化，或者将算法思想重新用新的形式表达，速度问题是可以改善的。（表示老师说电脑都4核了，你害怕速度？）
9、学习图像处理应该是针对实际问题去找理论工具，而不是先学习理论工具再去找靶子。（说得好，可惜偶都快毕业了）
10、关键是对对象的分析与理解。图像处理与模式识别都是主观性很强的学科，非常依赖人的先验知识，其次才是算法 。（深有体会啊）
