探索人工智能人脸识别原理及应用(上）

1.机器是如何图像分类的

人工智能最具有应用前景的方向就是图像视觉领域，那么如何才能让机器识别世界万世万物呢？

比如让机器识别一支猫？

识别一朵花？

识别一架飞机？

2.机器如何识别图片

图片不像前面我们讲到的机器学习那样，可以很容易的根据数据值的分布，字段的含义去提取相应的特征，因为图像是一种非结构化数据，我们人类很难提取到它的特征，如果一定要通过观察的方式，采用人为的标注的方式提取特征，这里有一个鸢尾花的图像例子，植物学家可以测量花瓣和花萼的长和宽，然后用结构化的表格数据进行记录统计，再利用利用机器学习的方法进行分类。

 测量花瓣和花萼的长和宽

    收集长和宽,并标记结果值

   利用机器学习将鸢尾花的测量数据进行学习与分类

3.图像的特征提取

特征工程是一项十分繁琐、耗费很多人力物力的工作，怎样才能让机器找到抽象事物的特征？

 首先我们看看机器眼中的图片是什么样子，在机器“眼”里，图片就是由红绿蓝三个通道组成的数组。

其中灰度图片可以用单通道的数组表示

既然图片是由矩阵数字组成，那么科学家可以发明一些矩阵算法，将原始图像进行计算处理，比如：灰度转换、均衡图像、图像过滤、边缘检测、角点检测等算法，通过边缘检测算法可以提取图像的轮廓特征：

1. 深度学习初探

2006年，Hinton在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。他给多层神经网络相关的学习方法赋予了一个新名词--“深度学习”。

 深度学习是机器学习的一个子领域，其中受我们大脑工作方式启发的模型以数学方式表达，深度学习是全球人工智能技术的关键推动力，外部刺激通过神经末梢，转化为电信号，转导到神经细胞（又叫神经元），无数神经元构成神经中枢，神经中枢综合各种信号，做出判断，人体根据神经中枢的指令，对外部刺激做出反应。

既然思考的基础是神经元，如果能够"人造神经元"（artificial neuron），就能组成人工神经网络，模拟思考。上个世纪六十年代，提出了最早的"人造神经元"模型，叫做"感知器"（perceptron），直到今天还在用。

目前常见的神经网络模型有：

深度神经网络(DNN)

一个深度神经网络通常由多个顺序连接的层组成。第一层一般以图像为输入，通过特定的运算从图像中提取特征。接下来每一层以前一层提出的特征作为输入，对其进行特定形式的变换，便可以得到更复杂的一些特征。

神经网络：卷积神经网络结构(CNN)

卷积运算在图像处理中应用十分广泛，许多图像特征的提取方法都会用到卷积。以灰度图为例，我们知道在计算机中一幅灰度图像被表示为一个整数的矩陈，如果我们用一个形状较小的矩陈和这个图像 的矩陈做卷积运算，就可以得到一个新的矩陈，这个新的矩陈可以看作是一幅新的图像。换句话说，通过卷积运算，我们可以将原图像变化为一幅新图像。这幅新图像有时候比原图像更清楚地表示了某些性质，我们就可以把它当作原图像的一个特征。这里用到的小矩陈就称为卷积核。

神经网络：循环神经网络结(RNN)

总结：深度学习的优点

深度神经网络的出现降低了人工智能系统的复杂度，将特征提取与分类两个独立的步骤集成在一起，我们只需要将一张图片输入给神经网络 ，就可以直接得出对图片的类别的预测，不需要分步完成特征的提取与分类。从这个角度来讲，深度神经网络并不是对传统模式分类系统的颠覆，而是对传统系统的改进与增强。

详细内容可以结合华为云享直播学习

直播地址：http://zhibo.huaweicloud.com/watch/2693280

作者：刘毅超      WeChat:yichao233

版权声名：部分图片素材来源网络,如有侵仅及时联系本人

转载请注明来源