什么是图像识别？图像识别是怎么完成的？

当咱们看到一个东西，大脑会敏捷判别是不是见过这个东西或许类似的东西。这个进程有点儿像查找，咱们把看到的东西和回忆中相同或相类的东西进行匹配，然后辨认它。机器的图画辨认也是类似的，经过分类并提取重要特征而扫除剩余的信息来辨认图画。

归根到底，机器的图画辨认和人类的图画辨认原理附近，进程也迥然不同。仅仅技能的前进让机器不但能像人类相同认花认草认物认人，还开端具有逾越人类的辨认才干。

今日所指的图画辨认并不只仅是用人类的肉眼，而是凭借核算机技能进行辨认。尽管人类的辨认才干很强壮，可是关于高速开展的社会，人类本身辨认才干现已满意不了咱们的需求，于是就发生了根据核算机的图画辨认技能。

这就像人类研讨生物细胞，彻底赖肉眼调查细胞是不实际的，这样天然就发生了显微镜等用于准确观测的仪器。一般一个范畴有固有技能无法处理的需求时，就会发生相应的新技能。图画辨认技能也是如此，此技能的发生便是为了让核算机替代人类去处理许多的物理信息，处理人类无法辨认或许辨认率特别低的信息。

一般工业运用中，选用工业相机摄影图片，然后再运用软件根据图片灰阶差做进一步辨认处理。跟着核算机及信息技能的敏捷开展，图画辨认技能的使用逐步扩大到许多范畴，尤其是在面部及指纹辨认、卫星云图辨认及临床医疗确诊等多个范畴日益发挥着重要作用。

一般图画辨认技能首要是指选用核算机依照既定方针对捕获的体系前端图片进行处理，在日常日子中图画辨认技能的使用也十分遍及，比方车牌捕捉、产品条码辨认及手写辨认等。跟着该技能的逐步开展并不断完善，未来将具有愈加广泛的使用范畴。

图画辨认以敞开API（Application Programming Interface，使用程序编程接口）的办法供给给用户，用户经过实时拜访和调用API获取推理成果，协助用户主动收集要害数据，打造智能化事务体系，进步事务功率。

图画辨认原理

图画辨认的开展阅历了三个阶段：文字辨认、数字图画处理与辨认、物体辨认。

· 文字辨认的研讨是从 1950年开端的，一般是辨认字母、数字和符号，从印刷文字辨认到手写文字辨认，使用十分广泛。

· 数字图画处理和辨认的研讨开端于1965年。数字图画与仿照图画比较具有存储，传输便利可压缩、传输进程中不易失真、处理便利等巨大优势，这些都为图画辨认技能的开展供给了强壮的动力。

· 物体的辨认首要指的是对三维国际的客体及环境的感知和知道，归于高档的核算机视觉范畴。它是以数字图画处理与辨认为根底的结合人工智能、体系学等学科的研讨方向，其研讨成果被广泛使用在各种工业及勘探机器人上。

图画辨认原理首要是需处理具有必定复杂性的信息，处理技能并不是随意呈现在核算机中，结合核算机程序对相关内容仿照并予以完结。图画辨认的进程归纳起来首要包含4个进程：

· 获取信息：首要是指将声响和光等信息经过传感器向电信号转化，也便是对辨认方针的基本信息进行获取，并将其向核算机可辨认的信息转化。

· 信息预处理：首要是指选用去噪、改换及滑润等操刁难图画进行处理，根据此使图画的重要特色进步。

· 抽取及挑选特征：首要是指在形式辨认中，抽取及挑选图画特征，归纳而言便是辨认图画具有品种多样的特色，如选用必定办法别离，就要辨认图画的特征，获取特征也被称为特征抽取；在特征抽取中所得到的特征或许对此次辨认并不都是有用的，这个时分就要提取有用的特征，这便是特征的挑选。特征抽取和挑选在图画辨认进程中是十分要害的技能之一，所以对这一步的了解是图画辨认的要点。

· 规划分类器及分类决议计划：其间规划分类器便是根据练习对辨认规矩进行拟定，根据此辨认规矩能够得到特征的首要品种，进而使图画辨认的不断进步辨识率，尔后再经过辨认特别特征，终究完结对图画的点评和承认。

在核算机进行的图画辨认中，核算机首先就能够完结图画分类并选出重要信息、扫除冗余信息，根据这一分类核算机就能够结合本身回忆存储结合相关要求进行图画的辨认，这一进程本身与人脑辨认图画并不存在着实质不同。关于图画辨认技能来说，其本身提取出的图画特征直接关系着图画辨认能否取得较为满意的成果。

值得注意的是，因为核算机归根到底不同于人类的大脑，所以核算机提取出的图画特征存在着不稳定性，这种不稳定性往往会因为核算机提取图画特征的显着与一般影响图画辨认的功率与准确性，由此可见图画特征关于AI中图画辨认技能的重要意义。

图画辨认技能

核算机的图画辨认技能便是仿照人类的图画辨认进程，在图画辨认的进程中进行形式辨认是必不可少的。简略地说，核算机的形式辨认便是对数据进行分类，它是一门与数学紧密结合的科学，其间所用的思维大部分是概率与核算。形式辨认首要分为三种：核算形式辨认、句法形式辨认、含糊形式辨认。

关于当下AI+年代的图画辨认技能来说，神经网络的图画辨认与非线性降维的图画辨认是最为常见的两种图画辨认技能。

根据神经网络的图画辨认：

神经网络图画辨认技能是一种比较新式的图画辨认技能，是在传统的图画辨认办法和根底上交融神经网络算法的一种图画辨认办法。这儿的神经网络是指人工神经网络，也便是说这种神经网络并不是动物本身所具有的真实的神经网络，而是人类仿照动物神经网络后人工生成的。在神经网络图画辨认技能中，遗传算法与BP网络相交融的神经网络图画辨认模型是十分经典的，在许多范畴都有它的使用。

在图画辨认体系中运用神经网络体系，一般会先提取图画的特征，再运用图画所具有的特征映射到神经网络进行图画辨认分类。以轿车摄影主动辨认技能为例，当轿车经过的时分，轿车本身具有的检测设备会有所感应。此刻检测设备就会启用图画收集设备来获取轿车正反面的图画。获取了图画后必须将图画上传到核算机进行保存以便辨认。终究车牌定位模块就会提取车牌信息，对车牌上的字符进行辨认并显现终究的成果。在对车牌上的字符进行辨认的进程中就用到了根据模板匹配算法和根据人工神经网络算法。

根据非线性降维的图画辨认：

核算机的图画辨认技能是一个反常高维的辨认技能。不论图画本身的分辨率怎么，其发生的数据经常是多维性的，这给核算机的辨认带来了十分大的困难。想让核算机具有高效地辨认才干，最直接有用的办法便是降维。降维分为线性降维和非线性降维。例如主成分剖析(PCA)和线性奇特剖析(LDA)等便是常见的线性降维办法，它们的特色是简略、易于了解。可是经过线性降维处理的是全体的数据调集，所求的是整个数据调集的最优低维投影。

经过验证，这种线性的降维战略核算复杂度高并且占用相对较多的时刻和空间，因而就发生了根据非线性降维的图画辨认技能，它是一种极端有用的非线性特征提取办法。此技能能够发现图画的非线性结构并且能够在不损坏其本征结构的根底上对其进行降维，使核算机的图画辨认在尽量低的维度上进行，这样就进步了辨认速率。例如人脸图画辨认体系所需的维数一般很高，其复杂度之高对核算机来说无疑是巨大的“灾祸”。因为在高维度空间中人脸图画的不均匀散布，使得人类能够经过非线性降维技能来得到散布紧凑的人脸图画，然后进步人脸辨认技能的高效性。

在AI范畴之中，图画辨认技能占有着极为重要的位置，而跟着核算机技能与信息技能的不断开展，AI中的图画辨认技能的使用规模不断扩展：IBM的Watson医疗确诊、各种指纹辨认、及常用的支付宝的面部辨认以及百度地图中全景卫星云图辨认等都归于这一使用的典型，AI这一技能现已使用于日常日子之中，图画辨认技能将来定会有着较为广泛的运用。

图画辨认的使用

移动互联网、智能手机以及交际网络的开展带来了海量图片信息，不受地域和言语约束的图片逐步替代了繁琐而奇妙的文字，成为了传词达意的首要前言。但伴跟着图片成为互联网中的首要信息载体，难题随之呈现。

当信息由文字记载时，咱们能够经过要害词查找容易找到所需内容并进行恣意修改，而当信息是由图片记载时，咱们却无法对图片中的内容进行检索，然后影响了咱们从图片中找到要害内容的功率。图片给咱们带来了方便的信息记载和共享办法，却降低了咱们的信息检索功率。在这个环境下，核算机的图画辨认技能就显得尤为重要。

图画辨认初级使用：首要是文娱化、东西化，在这个阶段用户首要是凭借图画辨认技能来满意某些文娱化需求。例如，百度魔图的“大咖配”功用能够协助用户找到与其长相最匹配的明星，百度的图片查找能够找到类似的图片；Facebook研制了根据相片进行人脸匹配的DeepFace；yahoo收买的图画辨认公司IQ Engine开发的Glow能够经过图画辨认主动生成相片的标签以协助用户办理手机上的相片；国内专心于图画辨认的创业公司旷视科技成立了VisionHacker游戏工作室，凭借图形辨认技能研制移动端的体感游戏。

这个阶段还有一个十分重要的细分范畴 —— OCR（Optical Character Recognition，光学字符辨认），是指光学设备查看纸上打印的字符，经过检测暗、亮的形式确认其形状，然后用字符辨认办法将形状翻译成核算机文字的进程，便是核算机对文字的阅览。

凭借OCR技能将这些文字和信息提取出来。在这方面，国内产品包含百度的涂书笔记和百度翻译等；而谷歌凭借经过DistBelief 练习的大型散布式神经网络，关于Google 街景图库的上千万门牌号的辨认率超越90%，每天可辨认百万门牌号。

图画辨认初级使用仅作为咱们的辅佐东西存在，为咱们本身的人类视觉供给了强有力的辅佐和增强，带给了咱们一种全新的与外部国际进行交互的办法。这些使用尽管看起来很一般，但当图画辨认技能渗透到咱们行为习惯的方方面面时，咱们就相当于把一部分视力外包给了机器，就像咱们现已把部分回忆外包给了查找引擎相同。

这将极大改进咱们与外部国际的交互办法，此前咱们运用科技东西探寻外部国际的流程是这样：人眼捕捉方针信息、大脑将信息进行剖析、转化成机器能够了解的要害词、与机器交互取得成果。而当图画辨认技能赋予了机器“眼睛”之后，这个进程就能够简化为：人眼凭借机器捕捉方针信息、机器和互联网直接对信息进行剖析并回来成果。图画辨认使摄像头成为解密信息的钥匙，咱们仅需把摄像头对准某一不知道事物，就能得到料想的答案，摄像头成为衔接人和国际信息的重要进口之一。

图画辨认的高档使用：成为具有视觉的机器，当机器真实具有了视觉之后，它们彻底有或许替代咱们去完结这些举动。现在的图画辨认使用就像是瞎子的导盲犬，在瞎子举动时为其指引方向；而未来的图画辨认技能将会同其他人工智能技能交融在一起成为瞎子的全职管家，不需要瞎子进行任何举动，而是由这个管家协助其完结一切工作。

举个比如，假如图画辨认是一个东西，就好像咱们在驾驭轿车时佩带谷歌眼镜，它将外部信息进行剖析后传递给咱们，咱们再根据这些信息做出行进决议计划；而假如将图画辨认运用在机器视觉和人工智能上，这就好像谷歌的无人驾驭轿车，机器不只能够对外部信息进行获取和剖析，还全权担任一切的行进活动，让咱们得到彻底解放。

图画辨认并非一个新范畴，但放眼大局，它仍处于前期阶段。就像任何一个典型的生长中少年相同，在习惯实际国际时也存在问题。图画辨认是核算机视觉年代到来的前期预兆，不管它将怎么使用或将使用于哪些职业，图画辨认技能永久不或许孤立开展。只要经过拜访更多图片，实时数据，花费更多的时刻和精力才干使其愈加强壮；只要知道到这一点，并充分运用这些联络的企业才或许在未来取得成功。

作为一门科技含量较高的新式技能，AI的图画辨认技能现已与用户的日子紧密结合在一起，许多科技巨子也开端了在图画辨认和人工智能范畴的布局：

Facebook签下的人工智能专家Yann LeCun最严重的成果便是在图画辨认范畴，其提出的LeNet为代表的卷积神经网络，在使用到各种不同的图画辨认使命时都取得了不错作用，被认为是通用图画辨认体系的代表之一；Google 凭借仿照神经网络“DistBelief”经过对数百万份 YouTube 视频的学习自行把握了猫的要害特征，这是机器在没有人协助的情况下自己读懂了猫的概念。值得一提的是，担任这个项目的Andrew NG现已转投百度领导百度研讨院，其一个重要的研讨方向便是人工智能和图画辨认。这也能看出国内科技公司对图画辨认技能以及人工智能技能的注重程度。

为什么稀有十亿美元投入到这项技能？原因是图画辨认潜力巨大。图画辨认是一个十分笼统的范畴。可是，当使用于详细情境时，其改动企业的潜力是无可辩驳的。图画辨认技能，衔接着机器和这个一窍不通的国际，协助它越发了解这个国际，并终究替代咱们完结更多的使命。