设计一个机器视觉系统，该系统可以获取场景的目标图像并能识别物体，考虑一些常用物体，如硬币，铅笔，笔记本和其他办公物品。要求采用非深度学习方法完成目标识别，

非深度学习方法可以采用传统的机器视觉算法，包括特征提取、特征匹配和分类器等步骤。

1. 特征提取：通过图像处理算法从图像中提取出物体的特征，比如图像的边缘、角点、颜色直方图等。常用的特征提取算法有SIFT、SURF等。

2. 特征匹配：将提取出的特征与已知的物体特征进行匹配，从而确定物体的位置和姿态。常用的特征匹配算法有RANSAC、Hough变换等。

3. 分类器：根据特征匹配的结果，采用分类器对物体进行识别。常用的分类器有SVM、KNN等。

对于硬币、铅笔、笔记本等常用物品，可以预先采集一些样本图像，并提取出它们的特征。在实际应用中，系统可以通过摄像头获取场景图像，并采用上述算法对图像中的物体进行识别。

需要注意的是，非深度学习方法在一些复杂场景下的识别效果可能不如深度学习方法。因此，针对不同的应用场景，需要根据实际需求选择合适的算法。