人工智能概論（第2版） 課件匯 劉陽 第1-5章 人工智能的前世今生 -人臉識別與視覺圖像

第一章人工智能的前世今生——從AlphaGo說起目錄什么是人工智能人工智能起源&發(fā)展人工智能現(xiàn)在&未來人工智能的應(yīng)用案例開發(fā)語言&環(huán)境什么是人工智能PART01什么是人工智能人工智能（ArtificialIntelligence）英文縮寫為AI?！叭斯ぁ焙汀爸悄堋?，“人工”即人造的、人為的；“智能”是“智慧和能力”。人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是計算機科學(xué)的一個分支，它是一門由計算機科學(xué)、控制論、信息論、語言學(xué)、神經(jīng)生理學(xué)、心理學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科相互滲透而發(fā)展起來的綜合性的新學(xué)科。擁有智能的計算機可以代替人類實現(xiàn)識別、認(rèn)知，分析和決策等多種功能。人工智能的起源與發(fā)展PART02人工智能的起源（1956年）1951年，普林斯頓大學(xué)數(shù)學(xué)系24歲的研究生馬文·明斯基（MarvinMinsky），建立了世界上第一個只有40個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)機器。人們第一次模擬了神經(jīng)信號的傳遞。。1950年，艾倫·圖靈（AlanTuring）提出了圖靈測試1956年，馬文·明斯基、約翰·麥卡錫和克勞德·香農(nóng)等在美國的達(dá)特茅斯學(xué)院組織了一次討論會。提出了“人工智能”，達(dá)特茅斯會議被認(rèn)為是人工智能誕生的標(biāo)志。同年，世界上第一個人工智能實驗室——MITAILAB實驗室成立，人工智能進(jìn)入到了快速發(fā)展時期。人工智能的第一次浪潮（1956-1976）1964-1966年，麻省理工學(xué)院的約瑟夫·維森鮑姆（JosephWeizenbaum）教授建立了世界上第一個自然語言對話程序ELIZA。ELIZA能夠與人聊天。1965年，專家系統(tǒng)首次亮相。1968年，首臺人工智能機器人誕生。美國斯坦福研究所（SRI）研發(fā)的機器人Shakey，能夠自主感知、分析環(huán)境、規(guī)劃行為并執(zhí)行任務(wù)，可以根據(jù)人的指令發(fā)現(xiàn)并抓取積木。Shakey機器人擁有類似人的感覺，如觸覺、聽覺等。

1970年，能夠分析語義、理解語言的人機對話系統(tǒng)SHRDLU系統(tǒng)誕生。

1976年，專家系統(tǒng)廣泛使用。人工智能的第一次浪潮后的第一個冬天人工智能面臨的技術(shù)瓶頸主要有三個方面。第一,計算機性能不足，導(dǎo)致早期很多程序無法在人工智能領(lǐng)域得到應(yīng)用；第二，早期人工智能程序主要是解決復(fù)雜性低的特定問題，可一旦問題上升維度，程序立馬就不堪重負(fù)了；第三，數(shù)據(jù)量的嚴(yán)重不足，無法支撐程序進(jìn)行深度學(xué)習(xí)，導(dǎo)致機器無法實現(xiàn)智能化。導(dǎo)火索：由于科研人員在人工智能的研究中對項目難度預(yù)估不足，導(dǎo)致美國國防高級研究計劃部署的合作計劃失敗。人工智能在70年代后期進(jìn)入了第一個冬天。人工智能的第二次浪潮（1980-1987）20世紀(jì)80年代，由于專家系統(tǒng)（expertsystem）和人工神經(jīng)網(wǎng)絡(luò)（artificialnetwork）等技術(shù)的新進(jìn)展，人工智能的浪潮再度興起。1982年，約翰·霍普菲爾德（JohnHopfield）提出了一種新型的網(wǎng)絡(luò)格式，即霍普菲爾德神經(jīng)網(wǎng)絡(luò)（Hofiednet），在其中引入了相聯(lián)存儲（associativememory）的機制。1986年，“神經(jīng)網(wǎng)絡(luò)之父”杰弗里·辛頓、大衛(wèi)·魯梅爾哈特（DavidRunlhaun）和羅納德·威廉姆斯（RonaldWlliams）聯(lián)合發(fā)表了有里程碑意義的經(jīng)典論文：《通過誤差反向傳播學(xué)習(xí)表示》（Learningrepresentationsbyback-propagatingerrors）

。在這篇論文中，他們通過實驗展示，反向傳播算法（backpropagation）可以在神經(jīng)網(wǎng)絡(luò)的隱藏層中學(xué)習(xí)到對輸入數(shù)據(jù)的有效表達(dá)。從此，反向傳播算法被廣泛用于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。人工智能第二次浪潮后的冬天導(dǎo)火索1981年，日本率先撥款支持第五代計算機項目研發(fā)，目標(biāo)是制造出能夠與人對話、翻譯語言、解釋圖像，并能像人一樣推理的機器。遺憾的是，經(jīng)過了10年研發(fā)，耗費了500億日元，這個項目未能達(dá)成預(yù)期的目標(biāo)。到了80年代后期，產(chǎn)業(yè)界對專家系統(tǒng)的巨大投入和過高期望開始顯現(xiàn)出負(fù)面的效果。人們發(fā)現(xiàn)這類系統(tǒng)開發(fā)與維護(hù)的成本高昂，而商業(yè)價值有限人工智能的第三次浪潮（1997年至今）在數(shù)學(xué)的驅(qū)動下，一大批新的數(shù)學(xué)模型和算法被發(fā)展起來1997年5月11日，IBM的計算機系統(tǒng)“深藍(lán)”戰(zhàn)勝了國際象棋世界冠軍卡斯帕羅夫進(jìn)入了21世紀(jì)，全球化的加速以及互聯(lián)網(wǎng)的蓬勃發(fā)展帶來全球范圍電子數(shù)據(jù)的爆炸性增長。人類邁入了“大數(shù)據(jù)”時代。2012年全球范圍的圖像識別算法競賽ILSVRC（也稱為ImageNet）中，首次使用深度神經(jīng)網(wǎng)絡(luò)。2016年，谷歌（Google）AlphaGo戰(zhàn)勝李世石人工智能的現(xiàn)在與未來PART03人工智能的現(xiàn)在互聯(lián)網(wǎng)+“人工智能+”（人工智能+傳統(tǒng)行業(yè)）這種新經(jīng)濟業(yè)態(tài)已經(jīng)開始萌芽，越來越多的行業(yè)開始擁抱人工智能，用“人工智能+”助力技術(shù)和產(chǎn)業(yè)的進(jìn)一步發(fā)展人工智能2.0時代在信息新環(huán)境下，基于新需求和發(fā)展新目標(biāo)的新一代人工智能?！靶颅h(huán)境”是指快速發(fā)展的移動互聯(lián)網(wǎng)、大數(shù)據(jù)、物聯(lián)網(wǎng)等新技術(shù)下“新需求”是指社會經(jīng)濟變化對人工智能提出了大量新的需求?！靶履繕?biāo)”是指人工智能將實現(xiàn)在智能城市、智能經(jīng)濟、智能制造、智能醫(yī)療、智能家居、智能駕駛等從宏觀到微觀的智能化目標(biāo)。人工智能的未來未來社會可以用六個字來概括：智慧、惠普以及顛覆。智慧的特征將更加明顯，普惠的價值將更加顯著，顛覆的意義將更加凸顯，人工智能在各行各業(yè)中的應(yīng)用PART04人工智能應(yīng)用智能醫(yī)療智能家居人工智能應(yīng)用智能交通智能制造人工智能應(yīng)用智能物流智能金融智能教育智能零售智能安防開發(fā)環(huán)境安裝第二章智能感知——讓人工智能感知世界前導(dǎo)人類的感知能力電話、遠(yuǎn)程機器人、無人機、水下航拍器等延伸了人類的感知能力。意大利科學(xué)家們制作了一個人形機器人iCub機器人能夠出色的完成這些任務(wù)，離不開智能感知，智能感知包括聽覺、視覺、觸覺等感知能力。要想讓智能機器人感知這個世界，就必須依賴一定的信息獲取手段和信息處理方法。也就是說，我們需要通過各種不同功能的傳感器來收集各種不同性質(zhì)的信息，然后通過對這些信息的處理來獲得對信息的理解。目錄豐富多彩的傳感器傳感器的應(yīng)用傳感器的實驗案例豐富多彩的傳感器PART01什么是傳感器傳感器進(jìn)行信息的采集（超高溫、超低溫、超高壓、超高真空、超強磁場、超弱磁場），是人類感覺器官的延伸。能感受規(guī)定的被測量，并按照一定的規(guī)律轉(zhuǎn)換成可用信號的器件或裝置。通常由敏感元件、轉(zhuǎn)換元件、變換電路和輔助電源組成。什么是傳感器傳感器的組成傳感器的應(yīng)用PART02傳感器的分類傳感器的應(yīng)用

傳感器的實驗案例PART03第三章機器學(xué)習(xí)——讓人工智能學(xué)會思考目錄什么是機器學(xué)習(xí)機器學(xué)習(xí)的模型機器學(xué)習(xí)的方法機器學(xué)習(xí)的應(yīng)用領(lǐng)域案例——鳶尾花種類識別什么是機器學(xué)習(xí)PART01什么是機器學(xué)習(xí)機器學(xué)習(xí)（MachineLearning）人類是在經(jīng)驗中不斷學(xué)習(xí)。人工智能是否有相似的思考能力呢？機器學(xué)習(xí)就是專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能的學(xué)科。它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用已遍及人工智能的各個分支，如自然語言處理、模式識別、機器視覺、智能機器人等領(lǐng)域。機器學(xué)習(xí)的過程數(shù)據(jù)組成特征值：表示特征的取值特征：反應(yīng)事物或?qū)ο笤谀撤矫娴谋憩F(xiàn)或性質(zhì)的事項，特征的質(zhì)量決定了模型的效果。標(biāo)簽：表示預(yù)測的結(jié)果機器學(xué)習(xí)是通過計算機算法，發(fā)現(xiàn)和學(xué)習(xí)歷史數(shù)據(jù)中蘊含的規(guī)律，并產(chǎn)生模型，當(dāng)有新的數(shù)據(jù)時，我們使用產(chǎn)生的模型進(jìn)行預(yù)測，這也是機器學(xué)習(xí)的學(xué)習(xí)過程。機器學(xué)習(xí)的過程樣本、訓(xùn)練數(shù)據(jù)集、測試數(shù)據(jù)集機器學(xué)習(xí)的學(xué)習(xí)過程可以分為兩個階段：訓(xùn)練階段和預(yù)測階段學(xué)習(xí)模型PART02學(xué)習(xí)模型有哪些？機器學(xué)習(xí)常見的學(xué)習(xí)模型主要有分類模型、回歸模型和聚類模型等，每種模型的建立有不同的學(xué)習(xí)算法。聚類模型是將數(shù)據(jù)分成幾個相異性最大的群組，群組內(nèi)的數(shù)據(jù)相似性最高。機器學(xué)習(xí)的方法強化學(xué)習(xí)不提供訓(xùn)練數(shù)據(jù)，計算機利用自己學(xué)習(xí)得到的策略來指導(dǎo)行動，通過產(chǎn)生新的數(shù)據(jù)，反饋結(jié)果（獎勵或者懲罰），根據(jù)反饋調(diào)整優(yōu)化策略，最終得到想要的結(jié)果。半監(jiān)督學(xué)習(xí)對小部分的樣本提供預(yù)測量的真實值。通過有效利用小部分監(jiān)督信息，取得比無監(jiān)督學(xué)習(xí)更好的效果，同時把監(jiān)督信息的成本控制在可以接受的范圍。有監(jiān)督學(xué)習(xí)（分類問題和回歸問題）有監(jiān)督學(xué)習(xí)（SupervisedLearning）要求為每個樣本提供預(yù)測量的真實值，通過測試結(jié)果與測試樣本結(jié)果進(jìn)行比較，不斷調(diào)整預(yù)測模型，直到達(dá)到一個預(yù)期的準(zhǔn)確率。無監(jiān)督學(xué)習(xí)（聚類問題）不提供標(biāo)簽值的條件下進(jìn)行學(xué)習(xí)，直接對輸入數(shù)據(jù)進(jìn)行建模。有監(jiān)督學(xué)習(xí)水果部分樣本數(shù)據(jù)使用KNN算法實現(xiàn)的水果分類可視化表示主要處理分類問題和回歸問題1.分類模型：K-近鄰算法（KNN）應(yīng)用有監(jiān)督學(xué)習(xí)天氣樣本數(shù)據(jù)決策樹模型主要處理分類問題和回歸問題2.分類模型：決策樹ID3算法有監(jiān)督學(xué)習(xí)建立回歸模型為y=45.7x+148,模型的可視化效果如紅色線，采用一次線性函數(shù)建模。主要處理分類問題和回歸問題3.回歸模型：線性回歸算法應(yīng)用機器學(xué)習(xí)的應(yīng)用領(lǐng)域PART03應(yīng)用領(lǐng)域計算機視覺計算機視覺=圖像處理+機器學(xué)習(xí)。圖像處理技術(shù)用于將圖像處理為適合進(jìn)入機器學(xué)習(xí)模型中的輸入，機器學(xué)習(xí)則負(fù)責(zé)從圖像中識別出相關(guān)的模式。計算機視覺相關(guān)的應(yīng)用非常的多，例如百度識圖、手寫字符識別、車牌識別等應(yīng)用。應(yīng)用領(lǐng)域自然語言處理自然語言處理=文本處理+機器學(xué)習(xí)。自然語言處理主要是讓機器理解人類的語言的一門技術(shù)。自然語言處理的應(yīng)用領(lǐng)域十分廣泛，如從大量文本數(shù)據(jù)中提煉出有用信息的文本挖掘，以及利用文本挖掘?qū)ι缃幻襟w上商品和服務(wù)的評價進(jìn)行分析等。應(yīng)用領(lǐng)域語音識別語音識別=語音處理+機器學(xué)習(xí)。語音識別就是音頻處理技術(shù)與機器學(xué)習(xí)的結(jié)合。語音識別技術(shù)一般不會單獨使用，一般會結(jié)合自然語言處理的相關(guān)技術(shù)。目前的相關(guān)應(yīng)用有蘋果的語音助手Siri等。第三章機器學(xué)習(xí)第四章神經(jīng)網(wǎng)絡(luò)——讓人工智能擁有智慧大腦TensorFlow游樂場網(wǎng)址為：/作業(yè)1：TensorFlow？前情回顧2016年3月，谷歌的AlphaGo擊敗了圍棋九段李世石，人工智能里程碑式事件。AlphaGo是用人類和AI對手組合進(jìn)行訓(xùn)練的。據(jù)報道，谷歌使用了1920個中央處理器（CPU）和280個圖形處理器（GPU）數(shù)據(jù)模型行動前情回顧

更新之后的版本AlphaGoZero更加厲害，不使用任何以前的數(shù)據(jù)來學(xué)習(xí)下棋，而是直接打了數(shù)以千場的比賽，經(jīng)過三天的訓(xùn)練，它就能擊敗AlphaGo了。

也就是說，這臺機器擁有了自學(xué)能力。人類的學(xué)習(xí)能力來自于大腦。

那么AlphaGoZero的自學(xué)習(xí)能力則是來自于神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)如大腦一般讓人工智能能夠自主學(xué)習(xí)，充滿智慧。目錄什么是神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元人工神經(jīng)網(wǎng)絡(luò)的層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的應(yīng)用案例什么是神經(jīng)網(wǎng)絡(luò)PART01什么是神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)大腦是一個復(fù)雜的自然神經(jīng)網(wǎng)絡(luò)通過相互關(guān)聯(lián)的神經(jīng)元來處理信息人工神經(jīng)網(wǎng)絡(luò)通過人為編程來實現(xiàn)大腦神經(jīng)網(wǎng)絡(luò)的功能，將認(rèn)知能力賦予計算機，讓計算機來模擬人類的智能。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是什么樣子的？神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元PART02神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元它由神經(jīng)元細(xì)胞體、樹突和軸突組成。細(xì)胞體具有聯(lián)絡(luò)和整合輸入信息并發(fā)出信息的作用；樹突短而分枝多，其作用是接受其他神經(jīng)元傳來的信息并輸入給細(xì)胞體；軸突分出很多分支，形成神經(jīng)末梢，來與其他神經(jīng)元的樹突相連，其作用是把細(xì)胞體所發(fā)出的信息輸出到其他神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元也包含一個神經(jīng)處理單元，相當(dāng)于細(xì)胞體，多個輸入相當(dāng)于樹突，以及輸出類似于軸突。神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元相互連接構(gòu)成整個神經(jīng)網(wǎng)絡(luò)。設(shè)計人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)樣式？神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元多個神經(jīng)元是如何連接的呢？人工神經(jīng)網(wǎng)絡(luò)的層結(jié)構(gòu)PART03人工神經(jīng)網(wǎng)絡(luò)的層結(jié)構(gòu)按照神經(jīng)元的網(wǎng)絡(luò)層數(shù)分為單層神經(jīng)網(wǎng)絡(luò)和多層神經(jīng)網(wǎng)絡(luò)。單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖由多個神經(jīng)元平列，排成一列，n個輸入給每一個處理單元，每一個神經(jīng)元有一個輸出。輸入與輸出之間的關(guān)系是怎樣的？神經(jīng)元的模型公式是？神經(jīng)元模型公式神經(jīng)元接受到的是來自前面n個神經(jīng)元傳遞過來的信號，這些數(shù)值通過帶權(quán)重的連結(jié)進(jìn)行傳遞，神經(jīng)元接收到的總輸入值將與神經(jīng)元自身的閾值相比較，并最終通過“激活函數(shù)”進(jìn)行輸出。神經(jīng)元模型公式X表示上一個神經(jīng)元的輸入，w代表輸入的連接權(quán)重，即表示不同的輸入對當(dāng)前神經(jīng)元的影響力不同。

Θ是神經(jīng)元自身的閾值，

σ代表激活函數(shù)。神經(jīng)元模型案例這里我們假設(shè)x1=1，x2=2,x3=0,x4=-1,權(quán)重值依次是1,2,-1,0.3，閾值是0.6，在未加上激活函數(shù)的時候，當(dāng)前輸出是？(1*1+2*2+0*(-1)+(-1)*0.3-0.6),結(jié)果是4.1神經(jīng)元模型案例——激活函數(shù)激活函數(shù)激活函數(shù)是在我們設(shè)計神經(jīng)網(wǎng)絡(luò)時，為增強網(wǎng)絡(luò)的表達(dá)能力而人為加入的非線性因素。如果不加入激活函數(shù)，神經(jīng)網(wǎng)絡(luò)將只能處理模擬線性函數(shù)，在面對線性不可分問題時無能為力。加入激活函數(shù)后，我們的神經(jīng)網(wǎng)絡(luò)擁有了處理非線性問題的能力。常見的激活函數(shù)是階躍函數(shù)和sigmoid函數(shù)。神經(jīng)元模型案例——激活函數(shù)激活函數(shù)總體輸入大于閾值時激活，小于閾值時抑制。sigmoid函數(shù)能夠?qū)⒋蠓秶妮斎雺嚎s到（0,1）之間，并且嚴(yán)格單調(diào)，關(guān)于（0，0.5）中心對稱，是比較常見的激活函數(shù)。sigmoid函數(shù)對中間區(qū)域的輸入信號有增益作用，對兩側(cè)區(qū)的輸入值有抑制作用。神經(jīng)元模型案例——單層感知機實現(xiàn)邏輯AND、OR、NOT當(dāng)w1=w2=1,令θ=2，則

最簡單的神經(jīng)網(wǎng)絡(luò)，是其他神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，可以用來模擬邏輯函數(shù)，例如邏輯非NOT、邏輯或OR、邏輯與AND等。神經(jīng)元模型案例——單層感知機實現(xiàn)邏輯AND、OR、NOT“或”問題當(dāng)w1=w2=1,令θ=2“與”問題當(dāng)w1=w2=1,令θ=2，則

w1=w2=1,令θ=0.5作業(yè)2:“非”問題w1=-0.6，w2=0,令θ=-0.5多層感知機當(dāng)遇到復(fù)雜的線性不可分的問題時單層神經(jīng)網(wǎng)絡(luò)不能滿足需求多層感知機可以通過加深網(wǎng)絡(luò)層數(shù)構(gòu)成多層神經(jīng)網(wǎng)絡(luò)，通過多層轉(zhuǎn)換把線性不可分的問題轉(zhuǎn)化成線性可分。多層網(wǎng)絡(luò)是由單層網(wǎng)絡(luò)進(jìn)行級聯(lián)構(gòu)成的，上一層的輸出作為下一層的輸入，前一層神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果傳遞給后一層神經(jīng)網(wǎng)絡(luò)的每一個神經(jīng)元，但是同一層的神經(jīng)元是相互獨立，不進(jìn)行數(shù)據(jù)傳遞。多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖多層感知機多層神經(jīng)網(wǎng)絡(luò)在人臉識別系統(tǒng)中的應(yīng)用人臉識別多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖這是一個多層前饋神經(jīng)網(wǎng)絡(luò)，在通過輸入百萬張圖片來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的人臉識別能力后，可以讓該神經(jīng)網(wǎng)絡(luò)無論是在人群中還是在復(fù)雜的背景環(huán)境中都能夠準(zhǔn)確的識別出某個人臉。多層感知機案例——多層感知機實現(xiàn)異或問題異或：如果兩個值不相同，則異或結(jié)果為1；如果兩個值相同，異或結(jié)果為0神經(jīng)網(wǎng)絡(luò)的分類——按照神經(jīng)網(wǎng)絡(luò)信號的流動方向前饋神經(jīng)網(wǎng)絡(luò)前饋神經(jīng)網(wǎng)絡(luò)中的中間隱藏層可以有若干個，每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸出信息，輸入信息僅在一個方向上流動。反饋神經(jīng)網(wǎng)絡(luò)任意兩個神經(jīng)元之間都可能有連接，包括神經(jīng)元自身到自身的反饋，①表示信息由輸出層又回傳到了隱藏層②表示同一層的神經(jīng)元之間也有信息的傳遞③表示信息可以由神經(jīng)元輸出后再傳遞回本身思考:是否還有其他分類方法？神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)PART03神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)——學(xué)習(xí)模式的不同分有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)聚類問題，如：銀行客戶分類，網(wǎng)絡(luò)用戶分類有監(jiān)督學(xué)習(xí)有明確結(jié)論，并且結(jié)論較容易獲得神經(jīng)網(wǎng)絡(luò)應(yīng)用案例PART04第五章人臉識別與視覺圖像——讓人工智能觀察世界

人臉識別流程首先要完成的是對目標(biāo)圖片的掃描檢測，確定畫面中是否存在人臉，人臉的位置以及人臉的質(zhì)量等信息。人臉識別的第二步是人臉關(guān)鍵點定位。主要目的是確定眼睛、鼻子、嘴等核心區(qū)域的位置，為人臉識別做準(zhǔn)備。人臉識別的第三步是將人臉核心區(qū)域的特征值提取后，與人員底庫中保存的人臉特征值計算比對，識別出人臉身份。人臉檢測關(guān)鍵點定位特征提取及比對70%“無卡校園”人臉庫學(xué)生人臉自助采集校園出入口人員身份管理幼兒園家長接送管理走讀生管理請假管理校門口宿舍管理智能簽到模式通道考勤模式無感知人臉考勤及專注度分析數(shù)據(jù)清洗通過篩選，無效數(shù)據(jù)，并進(jìn)行分類比如：同一秒去掉鐘同一學(xué)生有多條數(shù)據(jù)，只保留一條分配權(quán)重按照數(shù)據(jù)有效性，進(jìn)行個人權(quán)重打分比如：同一秒學(xué)生抬頭越多，分配的權(quán)重越大歸一化處理等比縮放到（0,100）范圍，使數(shù)據(jù)具有可比性比如：處理前一班的數(shù)據(jù)是（11,35），二班的數(shù)據(jù)為（33,90），都等比縮放到（0,100）思考人臉識別離不開視覺圖像，在日常中除了人臉識別，視覺圖像技術(shù)還用在哪些方面？目錄人類視覺與機器視覺計算機視覺圖像技術(shù)計算機視覺圖像系統(tǒng)及應(yīng)用視覺圖像智能分析的核心技術(shù)手寫數(shù)字識別案例人類視覺與機器視覺PART01人類視覺人類視覺視覺是人類五覺中最特別的一種感官能力，大部分的外來信息都是通過視覺獲得并傳遞到人類的大腦，因此人類的視覺系統(tǒng)是獲取外界環(huán)境信息的重要途徑人類是如何通過眼球看到物體的，視覺的成像過程是怎么樣的？（畫圖講解）人類視覺人類是如何通過眼球看到物體的，視覺的成像過程是怎么樣的？（畫圖講解）眼球通過接收并聚合外界物體反射的光線，依次經(jīng)過角膜、瞳孔、晶狀體和玻璃體，并經(jīng)過晶狀體等的折射，最終落在視網(wǎng)膜上，形成物象。視網(wǎng)膜上的感光細(xì)胞將物象信息通過視覺神經(jīng)傳遞給大腦，人就產(chǎn)生了視覺機器視覺機器視覺是人工智能快速發(fā)展的一個分支。機器視覺主要是使用機器來模擬人的視覺功能，從客觀事物的圖像中提取有用信息，進(jìn)行處理并加以理解，最終用于企業(yè)生產(chǎn)中的檢測、測量和控制等。機器視覺技術(shù)機器視覺技術(shù)，是一門涉及人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計算機科學(xué)、圖像處理、模式識別等諸多領(lǐng)域的交叉學(xué)科，它最大的特點就是速度快、信息量大、功能多。機器視覺系統(tǒng)機器視覺系統(tǒng)是指，利用機器視覺技術(shù)，通過機器視覺設(shè)備將被攝取目標(biāo)轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)，得到被攝取目標(biāo)的形態(tài)信息，根據(jù)像素分布、顏色、亮度等信息，轉(zhuǎn)換成數(shù)字化信號。圖像系統(tǒng)通過對這些信號進(jìn)行各種運算來抽取目標(biāo)的特征，進(jìn)而根據(jù)判別的結(jié)果來控制現(xiàn)場的設(shè)備動作。機器視覺系統(tǒng)的作用？計算機視覺圖像技術(shù)PART02計算機視覺圖像技術(shù)在人工智能領(lǐng)域中，機器視覺系統(tǒng)扮演著非常重要的角色，并形成了一個特定的研究領(lǐng)域——計算機視覺。計算機視覺是一門研究如何使機器“看”的科學(xué)，也就是研究如何使用電腦和攝影機來代替人眼完成對目標(biāo)的識別、跟蹤和測量等工作，并進(jìn)一步通過計算機進(jìn)行圖形圖像處理，使之成為更適合人眼觀察或傳送給儀器檢測的圖像。計算機視覺主要是通過對相關(guān)理論技術(shù)的研究，試圖建立能夠從圖像或者多維數(shù)據(jù)中獲取“信息”的人工智能系統(tǒng)。計算機視覺圖像技術(shù)計算機視覺圖像技術(shù)也可以看作是研究如何使人工智能系統(tǒng)從圖像或多維數(shù)據(jù)中“感知”信息的科學(xué)。而計算機視覺圖像技術(shù)的實現(xiàn)原理，就是通過各種成像系統(tǒng)來代替視覺器官（眼睛）作為輸入，由計算機來代替大腦完成處理和解釋。計算機視覺圖像技術(shù)的最終研究目標(biāo)就是使計算機能夠做到像人一樣通過視覺系統(tǒng)來觀察和理解世界，并且具備自主適應(yīng)環(huán)境的能力。計算機視覺和機器視覺計算機視覺計算機視覺是利用計算機和其輔助設(shè)備來模擬人的視覺功能，實現(xiàn)對客觀世界的三維場景的感知、識別和理解，更加偏重于軟件系統(tǒng)，側(cè)重于通過算法來對圖像進(jìn)行識別分析機器視覺機器視覺包含了諸如采集設(shè)備、光源、鏡頭、控制、算法等一系列的硬件系統(tǒng)，更加側(cè)重于工程上的實際應(yīng)用計算機視覺圖像系統(tǒng)及應(yīng)用PART03計算機視覺圖像系統(tǒng)處理過程計算機視覺圖像系統(tǒng)的結(jié)構(gòu)形式很大程度上依賴于其具體的應(yīng)用方向。計算機視覺圖像系統(tǒng)處理過程——圖像獲取一幅數(shù)字圖像是由一個或多個圖像感知器產(chǎn)生，這里的感知器可以是各種光敏攝像機，包括遙感設(shè)備，X射線斷層攝影儀，雷達(dá)，超聲波接收器等。取決于不同的感知器，產(chǎn)生的圖片可以是普通的二維圖像，三維圖組或者一個圖像序列。計算機視覺圖像系統(tǒng)處理過程——圖像預(yù)處理使用二次取樣保證圖像坐標(biāo)的正確；使用平滑去噪來濾除感知器引入的設(shè)備噪聲；通過提高對比度來保證實現(xiàn)相關(guān)信息可以被檢測到；通過調(diào)整尺度空間使圖像結(jié)構(gòu)適合局部應(yīng)用。計算機視覺圖像系統(tǒng)處理過程——特征提取從圖像中提取各種復(fù)雜度的特征。例如：線，邊緣提?。惶崛【植炕奶卣鼽c檢測，如邊角檢測，斑點檢測；還有一些更復(fù)雜的特征與圖像中的紋理形狀或運動有關(guān)。計算機視覺圖像系統(tǒng)處理過程——檢測分割在圖像處理過程中，有時會需要對圖像進(jìn)行分割來提取有價值的，用于后繼處理的部分，例如：篩選特征點；分割一或多幅圖片中含有特定目標(biāo)的部分。計算機視覺圖像系統(tǒng)處理過