人工智能的核心技術(shù)

1、人工智能的核心技術(shù)是什么？?人工智能標準化白皮書 2022?1 機器學(xué)習(xí)機器學(xué)習(xí) Machine Learning 是一門涉及統(tǒng)計學(xué)、系統(tǒng)辨識、逼近理論、神經(jīng)網(wǎng)絡(luò)、優(yōu)化理論、電腦科學(xué)、腦科學(xué)等諸多領(lǐng)域的交叉學(xué)科，研究電腦 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，是人工 智能技術(shù)的核心?；跀?shù)據(jù)的機器學(xué)習(xí)是 現(xiàn)代智能技術(shù)中的重要方法之一，研究從觀測數(shù) 據(jù)樣本出發(fā)尋找規(guī)律，利用 這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預(yù)測。根據(jù)學(xué) 習(xí)模式、學(xué)習(xí)方法以及 算法的不同，機器學(xué)習(xí)存在不同的分類方法。1根據(jù)學(xué)習(xí)模式將機器學(xué)習(xí)分類為監(jiān)督學(xué)習(xí)、無監(jiān)督

2、學(xué)習(xí)和強化學(xué)習(xí)等。監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)是利用已標記的有限訓(xùn)練數(shù)據(jù)集， 通過某種學(xué)習(xí)策略 /方法建立一 個模型， 實現(xiàn)對 新數(shù)據(jù) / 實例的標記分類 /映射，最典型的監(jiān)督學(xué)習(xí)算法包括回歸和分類。監(jiān)督學(xué)習(xí)要求訓(xùn)練樣本的分類標簽，分類標簽精確度越高，樣 本越具有代表性，學(xué)習(xí)模型的準確 度越高。監(jiān)督學(xué)習(xí)在自然語言處理、信息檢索、 文本挖掘、手寫體辨識、垃圾郵件偵測等 領(lǐng)域獲得了廣泛應(yīng)用。無監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)是利用無標記的有限數(shù)據(jù)描述隱藏在未標記數(shù)據(jù)中的結(jié)構(gòu)/ 規(guī)律， 最典型的非監(jiān)督學(xué)習(xí)算法包括單類密度估計、單類數(shù)據(jù)降維、聚類等。無監(jiān)督學(xué) 習(xí)不需要訓(xùn)練樣本和人 工標注數(shù)據(jù)，便于壓縮數(shù)據(jù)存儲、減少計算量、提升

3、算法 速度，還可以防止正、負樣本偏 移引起的分類錯誤問題。主要用于經(jīng)濟預(yù)測、異 常檢測、數(shù)據(jù)挖掘、圖像處理、模式識別 等領(lǐng)域，例如組織大型電腦集群、社 交網(wǎng)絡(luò)分析、市場分割、天文數(shù)據(jù)分析等。強化學(xué)習(xí)強化學(xué)習(xí)是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使強化信號函數(shù)值最大。 由于外部環(huán)境 提供的信息很少，強化學(xué)習(xí)系統(tǒng)必須靠自身的經(jīng)歷進行學(xué)習(xí)。強化 學(xué)習(xí)的目標是學(xué)習(xí)從環(huán) 境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán) 境最大的獎賞，使得外部環(huán)境對 學(xué)習(xí)系統(tǒng)在某種意義下的評價為最正確。其在機器 人控制、無人駕駛、下棋、工業(yè)控制等 領(lǐng)域獲得成功應(yīng)用。2根據(jù)學(xué)習(xí)方法可以將機器學(xué)習(xí)分為傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)。

4、傳統(tǒng)機器學(xué)習(xí)傳統(tǒng)機器學(xué)習(xí)從一些觀測訓(xùn)練樣本出發(fā)，試圖發(fā)現(xiàn)不能通過原理分析獲 得的規(guī)律，實 現(xiàn)對未來數(shù)據(jù)行為或趨勢的準確預(yù)測。相關(guān)算法包括邏輯回歸、隱 馬爾科夫方法、支持向 量機方法、 K 近鄰方法、三層人工神經(jīng)網(wǎng)絡(luò)方法、 Adaboost 算法、貝葉斯方法以及決策樹 方法等。傳統(tǒng)機器學(xué)習(xí)平衡了學(xué)習(xí)結(jié)果的有效性與 學(xué)習(xí)模型的可解釋性，為解決有限樣本 的學(xué)習(xí)問題提供了一種框架，主要用于有 限樣本情況下的模式分類、回歸分析、概率密度 估計等。傳統(tǒng)機器學(xué)習(xí)方法共同 的重要理論根底之一是統(tǒng)計學(xué)，在自然語言處理、語音識 別、圖像識別、信息檢 索和生物信息等許多電腦領(lǐng)域獲得了廣泛應(yīng)用。深度學(xué)習(xí)深度學(xué)習(xí)是建立

5、深層結(jié)構(gòu)模型的學(xué)習(xí)方法，典型的深度學(xué)習(xí)算法包括深度置 信網(wǎng)絡(luò)、卷積 神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機和循環(huán)神經(jīng)網(wǎng)絡(luò)等。深度學(xué)習(xí)又稱為深 度神經(jīng)網(wǎng)絡(luò)指層數(shù)超 過 3 層的神經(jīng)網(wǎng)絡(luò) 。深度學(xué)習(xí)作為機器學(xué)習(xí)研究中的一 個新興領(lǐng)域，由 Hinton 等人于 2006 年提出。 深度學(xué)習(xí)源于多層神經(jīng)網(wǎng)絡(luò)， 其實 質(zhì)是給出了一種將特征表示和學(xué)習(xí)合二為 一的方式。深度學(xué)習(xí)的特點是放棄了可 解釋性，單純追求學(xué)習(xí)的有效性。經(jīng)過多年的摸索 嘗試和研究，已經(jīng)產(chǎn)生了諸多 深度神經(jīng)網(wǎng)絡(luò)的模型，其中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)是 兩類典型的模型。卷 積神經(jīng)網(wǎng)絡(luò)常被應(yīng)用于空間性分布數(shù)據(jù)；循環(huán)神經(jīng)網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中 引入了記憶 和反應(yīng)，

6、常被應(yīng)用于時間性分布數(shù)據(jù)。深度學(xué)習(xí)框架是進行深度學(xué)習(xí)的根底底 層 框架，一般包含主流的神經(jīng)網(wǎng)絡(luò)算法模型，提供穩(wěn)定的深度學(xué)習(xí)API，支持訓(xùn)練 模型在效勞器和 GPU、TPU 間的分布式學(xué)習(xí)，局部框架還具備在包括移動設(shè)備、云平臺在內(nèi)的多 種平臺上運行的移植能力，從而為深度學(xué)習(xí)算法帶來前所未有的運行速度和實用性。目前主流的開源算法框架有 TensorFlow 、 Caffe/Caffe2 、 CNTK、 MXNet 、 Paddle-paddle 、 Torch/PyTorch、Theano 等。3此外，機器學(xué)習(xí)的常見算法還包括遷移學(xué)習(xí)、主動學(xué)習(xí)和演化學(xué)習(xí)等。遷移學(xué)習(xí)遷移學(xué)習(xí)是指當(dāng)在某些領(lǐng)域無法取得

7、足夠多的數(shù)據(jù)進行模型訓(xùn)練時，利用另一領(lǐng)域數(shù)據(jù)獲得的關(guān)系進行的學(xué)習(xí)。遷移學(xué)習(xí)可以把已訓(xùn)練好的模型參數(shù)遷移到新的模型指導(dǎo)新模型訓(xùn)練，可以更有效的學(xué)習(xí)底層規(guī)那么、減少數(shù)據(jù)量。目前的遷移學(xué)習(xí)技術(shù)主要在變量有限的小規(guī)模應(yīng)用中使用，如基于傳感器網(wǎng)絡(luò)的定位，文 字分類和圖像分類等。未來遷移學(xué)習(xí)將被 廣泛應(yīng)用于解決更有挑戰(zhàn)性的問題，如 視頻分類、社交網(wǎng)絡(luò)分析、邏輯推理等。主動學(xué)習(xí)主動學(xué)習(xí)通過一定的算法查詢最有用的未標記樣本，并交由專家進行標記，然后用查詢到的樣本訓(xùn)練分類模型來提高模型的精度。主動學(xué)習(xí)能夠選擇性地獲取知識，通過較少的訓(xùn)練樣本獲得高性能的模型，最常用的策略是通過不確定性準那么和差異性準那么選取有效

8、的樣本。演化學(xué)習(xí) 演化學(xué)習(xí)對優(yōu)化問題性質(zhì)要求極少，只需能夠評估解的好壞即可，適用于求 解復(fù)雜的優(yōu)化 問題，也能直接用于多目標優(yōu)化。演化算法包括粒子群優(yōu)化算法、 多目標演化算法等。目 前針對演化學(xué)習(xí)的研究主要集中在演化數(shù)據(jù)聚類、對演化 數(shù)據(jù)更有效的分類，以及提供某種自適應(yīng)機制以確定演化機制的影響等。2 知識圖譜知識圖譜本質(zhì)上是結(jié)構(gòu)化的語義知識庫，是一種由節(jié)點和邊組成的圖數(shù)據(jù)結(jié) 構(gòu)，以符號形 式描述物理世界中的概念及其相互關(guān)系， 其根本組成單位是 “實體 關(guān)系實體 三元組， 以及實體及其相關(guān)“屬性值對。不同實體之間通過 關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識結(jié) 構(gòu)。在知識圖譜中， 每個節(jié)點表示現(xiàn)實世界的 “

9、實體，每條邊為實體與實體之間的 “關(guān)系。 通俗地講， 知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關(guān)系網(wǎng)絡(luò)， 提供了 從“關(guān)系的角度 去分析問題的能力。知識圖譜可用于反欺詐、不一致性驗證、組團欺詐等公共平安保障領(lǐng)域，需 要用到異常分 析、靜態(tài)分析、動態(tài)分析等數(shù)據(jù)挖掘方法。特別地，知識圖譜在搜 索引擎、可視化展示和 精準營銷方面有很大的優(yōu)勢，已成為業(yè)界的熱門工具。但 是，知識圖譜的開展還有很大的 挑戰(zhàn)，如數(shù)據(jù)的噪聲問題，即數(shù)據(jù)本身有錯誤或 者數(shù)據(jù)存在冗余。隨著知識圖譜應(yīng)用的不 斷深入，還有一系列關(guān)鍵技術(shù)需要突破。3 自然語言處理自然語言處理是電腦科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個重要方向，

10、研究能 實現(xiàn)人與電腦之 間用自然語言進行有效通信的各種理論和方法，涉及的領(lǐng)域較 多，主要包括機器翻譯、機 器閱讀理解和問答系統(tǒng)等。1機器翻譯機器翻譯技術(shù)是指利用電腦技術(shù)實現(xiàn)從一種自然語言到另外一種自然語 言的翻譯過程?；?于統(tǒng)計的機器翻譯方法突破了之前基于規(guī)那么和實例翻譯方法的 局限性，翻譯性能取得巨大 提升?；谏疃壬窠?jīng)網(wǎng)絡(luò)的機器翻譯在日?？谡Z等一 些場景的成功應(yīng)用已經(jīng)顯現(xiàn)出了巨大 的潛力。隨著上下文的語境表征和知識邏輯 推理能力的開展， 自然語言知識圖譜不斷擴充， 機器翻譯將會在多輪對話翻譯及 篇章翻譯等領(lǐng)域取得更大進展。目前非限定領(lǐng)域機器翻譯中性能較佳的一種是統(tǒng)計機器翻譯，包括訓(xùn)練及解

11、碼兩個階段。 訓(xùn)練階段的目標是獲得模型參數(shù)， 解碼階段的目標是利用所估計的 參數(shù)和給定的優(yōu)化目標， 獲取待翻譯語句的最正確翻譯結(jié)果。統(tǒng)計機器翻譯主要包 括語料預(yù)處理、詞對齊、短語抽 取、短語概率計算、最大熵調(diào)序等步驟?；谏?經(jīng)網(wǎng)絡(luò)的端到端翻譯方法不需要針對雙語 句子專門設(shè)計特征模型，而是直接把源 語言句子的詞串送入神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過神經(jīng)網(wǎng)絡(luò) 的運算，得到目標語言句子的 翻譯結(jié)果。在基于端到端的機器翻譯系統(tǒng)中，通常采用遞歸 神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng) 網(wǎng)絡(luò)對句子進行表征建模，從海量訓(xùn)練數(shù)據(jù)中抽取語義信息，與基于 短語的統(tǒng)計 翻譯相比，其翻譯結(jié)果更加流暢自然，在實際應(yīng)用中取得了較好的效果。2語義理解語義

12、理解技術(shù)是指利用電腦技術(shù)實現(xiàn)對文本篇章的理解， 并且答復(fù)與篇章 相關(guān)問題的過程。 語義理解更注重于對上下文的理解以及對答案精準程度的把控。 隨著 MCTest 數(shù)據(jù)集的發(fā) 布，語義理解受到更多關(guān)注，取得了快速開展，相關(guān)數(shù) 據(jù)集和對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型層出不 窮。語義理解技術(shù)將在智能客服、產(chǎn)品自動問 答等相關(guān)領(lǐng)域發(fā)揮重要作用，進一步提高問 答與對話系統(tǒng)的精度。在數(shù)據(jù)采集方面，語義理解通過自動構(gòu)造數(shù)據(jù)方法和自動構(gòu)造填空型問題的 方法來有效擴 充數(shù)據(jù)資源。為了解決填充型問題，一些基于深度學(xué)習(xí)的方法相繼 提出，如基于注意力的 神經(jīng)網(wǎng)絡(luò)方法。當(dāng)前主流的模型是利用神經(jīng)網(wǎng)絡(luò)技術(shù)對篇 章、問題建模，對答案的開始和

13、 終止位置進行預(yù)測，抽取出篇章片段。對于進一 步泛化的答案，處理難度進一步提升，目 前的語義理解技術(shù)仍有較大的提升空間。3問答系統(tǒng)問答系統(tǒng)分為開放領(lǐng)域的對話系統(tǒng)和特定領(lǐng)域的問答系統(tǒng)。問答系統(tǒng)技術(shù)是 指讓電腦像人 類一樣用自然語言與人交流的技術(shù)。人們可以向問答系統(tǒng)提交用 自然語言表達的問題，系 統(tǒng)會返回關(guān)聯(lián)性較高的答案。盡管問答系統(tǒng)目前已經(jīng)有 了不少應(yīng)用產(chǎn)品出現(xiàn)，但大多是在 實際信息效勞系統(tǒng)和智能 助手等領(lǐng)域中的 應(yīng)用，在問答系統(tǒng)魯棒性方面仍然存在著問題 和挑戰(zhàn)。自然語言處理面臨四大挑戰(zhàn)：一是在詞法、句法、語義、語用和語音等不同 層面存在不確 定性；二是新的詞匯、術(shù)語、語義和語法導(dǎo)致未知語言現(xiàn)象

14、的不可 預(yù)測性；三是數(shù)據(jù)資源 的不充分使其難以覆蓋復(fù)雜的語言現(xiàn)象；四是語義知識的 模糊性和錯綜復(fù)雜的關(guān)聯(lián)性難以 用簡單的數(shù)學(xué)模型描述，語義計算需要參數(shù)龐大 的非線性計算。4 人機交互人機交互主要研究人和電腦之間的信息交換，主要包括人到電腦和計算 機到人的兩局部信 息交換，是人工智能領(lǐng)域的重要的外圍技術(shù)。 人機交互是與認知心理學(xué)、人機工程學(xué)、 多媒 體技術(shù)、 虛擬現(xiàn)實技術(shù)等密切相關(guān)的綜合學(xué)科。 傳統(tǒng)的人與電腦之間的信息交換主要依靠交 互設(shè)備進行，主要包括鍵盤、鼠標、 操縱桿、數(shù)據(jù)服裝、眼動跟蹤器、位置跟蹤器、數(shù)據(jù) 手套、壓力筆等輸入設(shè)備， 以及打印機、 繪圖儀、顯示器、 頭盔式顯示器、 音箱等輸

15、出設(shè)備。 人機交互技術(shù) 除了傳統(tǒng)的根本交互和圖形交互外，還包括語音交互、情感交互、體感交互 及腦 機交互等技術(shù)，以下對后四種與人工智能關(guān)聯(lián)密切的典型交互手段進行介紹。1語音交互語音交互是一種高效的交互方式，是人以自然語音或機器合成語音同電腦 進行交互的綜合 性技術(shù)，結(jié)合了語言學(xué)、心理學(xué)、工程和電腦技術(shù)等領(lǐng)域的知 識。語音交互不僅要對語音 識別和語音合成進行研究，還要對人在語音通道下的 交互機理、行為方式等進行研究。語 音交互過程包括四局部：語音采集、語音識 別、語義理解和語音合成。語音采集完成音頻 的錄入、采樣及編碼；語音識別完 成語音信息到機器可識別的文本信息的轉(zhuǎn)化；語義理解 根據(jù)語音識別轉(zhuǎn)

16、換后的文 本字符或命令完成相應(yīng)的操作；語音合成完成文本信息到聲音信 息的轉(zhuǎn)換。作為 人類溝通和獲取信息最自然便捷的手段，語音交互比其他交互方式具備更 多優(yōu)勢， 能為人機交互帶來根本性變革， 是大數(shù)據(jù)和認知計算時代未來開展的制高點， 具 有 廣闊的開展前景和應(yīng)用前景。2情感交互情感是一種高層次的信息傳遞，而情感交互是一種交互狀態(tài)，它在表達功能 和信息時傳遞 情感，勾起人們的記憶或內(nèi)心的情愫。傳統(tǒng)的人機交互無法理解和 適應(yīng)人的情緒或心境， 缺乏情感理解和表達能力，電腦難以具有類似人一樣的 智能，也難以通過人機交互做到真 正的和諧與自然。情感交互就是要賦予電腦 類似于人一樣的觀察、理解和生成各種情感

17、的 能力，最終使電腦像人一樣能進 行自然、親切和生動的交互。情感交互已經(jīng)成為人工智能 領(lǐng)域中的熱點方向，旨 在讓人機交互變得更加自然。目前，在情感交互信息的處理方式、 情感描述方式、 情感數(shù)據(jù)獲取和處理過程、情感表達方式等方面還有諸多技術(shù)挑戰(zhàn)。3體感交互體感交互是個體不需要借助任何復(fù)雜的控制系統(tǒng)，以體感技術(shù)為根底，直接 通過肢體動作 與周邊數(shù)字設(shè)備裝置和環(huán)境進行自然的交互。依照體感方式與原理 的不同，體感技術(shù)主要 分為三類： 慣性感測、 光學(xué)感測以及光學(xué)聯(lián)合感測。 體感 交互通常由運動追蹤、 手勢識別、 運動捕捉、 面部表情識別等一系列技術(shù)支撐。 與其他交互手段相比， 體感交互技術(shù)無論是硬 件

18、還是軟件方面都有了較大的提升， 交互設(shè)備向小型化、 便攜化、 使用方便化等方面開展， 大大降低了對用戶的約束， 使得交互過程更加自然。目前，體感交互在游戲娛樂、醫(yī)療輔 助與康復(fù)、全自動 三維建模、輔助購物、眼動儀等領(lǐng)域有了較為廣泛的應(yīng)用。4腦機交互腦機交互又稱為腦機接口，指不依賴于外圍神經(jīng)和肌肉等神經(jīng)通道，直接實 現(xiàn)大腦與外界 信息傳遞的通路。腦機接口系統(tǒng)檢測中樞神經(jīng)系統(tǒng)活動，并將其轉(zhuǎn) 化為人工輸出指令，能 夠替代、修復(fù)、增強、補充或者改善中樞神經(jīng)系統(tǒng)的正常 輸出，從而改變中樞神經(jīng)系統(tǒng)與 內(nèi)外環(huán)境之間的交互作用。 腦機交互通過對神經(jīng) 信號解碼， 實現(xiàn)腦信號到機器指令的轉(zhuǎn)化， 一般包括信號采集、

19、特征提取和命令 輸出三個模塊。從腦電信號采集的角度，一般將腦機 接口分為侵入式和非侵入式 兩大類。除此之外，腦機接口還有其他常見的分類方式：按照 信號傳輸方向可以 分為腦到機、機到腦和腦機雙向接口；按照信號生成的類型，可分為自 發(fā)式腦機 接口和誘發(fā)式腦機接口；按照信號源的不同還可分為基于腦電的腦機接口、基于 功能性核磁共振的腦機接口以及基于近紅外光譜分析的腦機接口。5 電腦視覺 電腦視覺是使用電腦模仿人類視覺系統(tǒng)的科學(xué)，讓電腦擁有類似人類 提取、處理、理解和 分析圖像以及圖像序列的能力。自動駕駛、機器人、智能醫(yī) 療等領(lǐng)域均需要通過電腦視覺 技術(shù)從視覺信號中提取并處理信息。近來隨著深 度學(xué)習(xí)的開

20、展，預(yù)處理、特征提取與算法 處理漸漸融合，形成端到端的人工智能 算法技術(shù)。根據(jù)解決的問題，電腦視覺可分為計算 成像學(xué)、圖像理解、三維視 覺、動態(tài)視覺和視頻編解碼五大類。1計算成像學(xué)計算成像學(xué)是探索人眼結(jié)構(gòu)、相機成像原理以及其延伸應(yīng)用的科學(xué)。在相機 成像原理方面，計算成像學(xué)不斷促進現(xiàn)有可見光相機的完善，使得現(xiàn)代相機更加 輕便，可以適用于不同場 景。同時計算成像學(xué)也推動著新型相機的產(chǎn)生，使相機 超出可見光的限制。在相機應(yīng)用科 學(xué)方面，計算成像學(xué)可以提升相機的能力，從 而通過后續(xù)的算法處理使得在受限條件下拍 攝的圖像更加完善，例如圖像去噪、去模糊、暗光增強、去霧霾等，以及實現(xiàn)新的功能，例 如全景圖、

21、軟件虛化、超 分辨率等。2圖像理解圖像理解是通過用電腦系統(tǒng)解釋圖像，實現(xiàn)類似人類視覺系統(tǒng)理解外部世 界的一門科學(xué)。 通常根據(jù)理解信息的抽象程度可分為三個層次：淺層理解，包括 圖像邊緣、圖像特征點、 紋理元素等；中層理解，包括物體邊界、區(qū)域與平面等； 高層理解，根據(jù)需要抽取的高層 語義信息，可大致分為識別、檢測、分割、姿態(tài) 估計、圖像文字說明等。目前高層圖像理 解算法已逐漸廣泛應(yīng)用于人工智能系統(tǒng)， 如刷臉支付、智慧安防、圖像搜索等。3三維視覺三維視覺即研究如何通過視覺獲取三維信息三維重建以及如何理解所獲 取的三維信息 的科學(xué)。三維重建可以根據(jù)重建的信息來源，分為單目圖像重建、 多目圖像重建和深度

22、圖 像重建等。三維信息理解，即使用三維信息輔助圖像理解 或者直接理解三維信息。三維信 息理解可分為，淺層：角點、邊緣、法向量等； 中層：平面、立方體等；高層：物體檢測、 識別、分割等。三維視覺技術(shù)可以廣 泛應(yīng)用于機器人、無人駕駛、智慧工廠、虛擬/ 增強現(xiàn)實等方向。4動態(tài)視覺動態(tài)視覺即分析視頻或圖像序列，模擬人處理時序圖像的科學(xué)。通常動態(tài)視 覺問題可以定 義為尋找圖像元素，如像素、區(qū)域、物體在時序上的對應(yīng)，以及提 取其語義信息的問題。 動態(tài)視覺研究被廣泛應(yīng)用在視頻分析以及人機交互等方面。5視頻編解碼視頻編解碼是指通過特定的壓縮技術(shù)，將視頻流進行壓縮。視頻流傳輸中最 為重要的編解 碼標準有國際電聯(lián)

23、的 H.261、H.263、H.264、H.265、M-JPEG 和 MPEG 系列標準。視頻壓 縮編碼主要分為兩大類： 無損壓縮和有損壓縮。 無損壓 縮指使用壓縮后的數(shù)據(jù)進行重構(gòu)時， 重構(gòu)后的數(shù)據(jù)與原來的數(shù)據(jù)完全相同， 例如 磁盤文件的壓縮。 有損壓縮也稱為不可逆編碼， 指使用壓縮后的數(shù)據(jù)進行重構(gòu)時， 重構(gòu)后的數(shù)據(jù)與原來的數(shù)據(jù)有差異，但不會影響人們對 原始資料所表達的信息產(chǎn) 生誤解。有損壓縮的應(yīng)用范圍廣泛， 例如視頻會議、可視 、視 頻播送、視頻監(jiān)控等。目前，電腦視覺技術(shù)開展迅速，已具備初步的產(chǎn)業(yè)規(guī)模。未來電腦視覺 技術(shù)的開展主要面 臨以下挑戰(zhàn)：一是如何在不同的應(yīng)用領(lǐng)域和其他技術(shù)更好的結(jié) 合

24、，電腦視覺在解決某些問 題時可以廣泛利用大數(shù)據(jù)，已經(jīng)逐漸成熟并且可以 超過人類，而在某些問題上卻無法到達 很高的精度；二是如何降低電腦視覺算 法的開發(fā)時間和人力本錢，目前電腦視覺算法需要 大量的數(shù)據(jù)與人工標注，需 要較長的研發(fā)周期以到達應(yīng)用領(lǐng)域所要求的精度與耗時；三是 如何加快新型算法 的設(shè)計開發(fā)，隨著新的成像硬件與人工智能芯片的出現(xiàn)，針對不同芯片 與數(shù)據(jù)采 集設(shè)備的電腦視覺算法的設(shè)計與開發(fā)也是挑戰(zhàn)之一。6 生物特征識別生物特征識別技術(shù)是指通過個體生理特征或行為特征對個體身份進行識別 認證的技術(shù)。從 應(yīng)用流程看，生物特征識別通常分為注冊和識別兩個階段。注冊 階段通過傳感器對人體的 生物表征信息

25、進行采集，如利用圖像傳感器對指紋和人 臉等光學(xué)信息、麥克風(fēng)對說話聲等 聲學(xué)信息進行采集，利用數(shù)據(jù)預(yù)處理以及特征 提取技術(shù)對采集的數(shù)據(jù)進行處理，得到相應(yīng) 的特征進行存儲。 識別過程采用與注 冊過程一致的信息采集方式對待識別人進行信息采集、 數(shù)據(jù)預(yù)處理和特征提取， 然后將提取的特征與存儲的特征進行比對分析，完成識別。從應(yīng) 用任務(wù)看，生物 特征識別一般分為識別與確認兩種任務(wù)，識別是指從存儲庫中確定待識別 人身份 的過程， 是一對多的問題； 確認是指將待識別人信息與存儲庫中特定單人信息進 行 比對，確定身份的過程，是一對一的問題。生物特征識別技術(shù)涉及的內(nèi)容十分廣泛，包括指紋、掌紋、人臉、虹膜、指 靜脈

26、、聲紋、 步態(tài)等多種生物特征，其識別過程涉及到圖像處理、電腦視覺、 語音識別、機器學(xué)習(xí)等多 項技術(shù)。目前生物特征識別作為重要的智能化身份認證 技術(shù)，在金融、公共平安、教育、 交通等領(lǐng)域得到廣泛的應(yīng)用。下面將對指紋識 別、人臉識別、虹膜識別、指靜脈識別、聲 紋識別以及步態(tài)識別等技術(shù)進行介紹。1指紋識別 指紋識別過程通常包括數(shù)據(jù)采集、 數(shù)據(jù)處理、 分析判別三個過程。 數(shù)據(jù)采集 通過光、電、力、熱等物理傳感器獲取指紋圖像；數(shù)據(jù)處理包括預(yù)處理、畸變校正、特征提 取三個過程；分析判別是對提取的特征進行分析判別的過程。2人臉識別 人臉識別是典型的電腦視覺應(yīng)用， 從應(yīng)用過程來看， 可將人臉識別技術(shù)劃 分 為

27、檢測定位、面部特征提取以及人臉確認三個過程。人臉識別技術(shù)的應(yīng)用主要 受到光照、 拍攝角度、圖像遮擋、年齡等多個因素的影響，在約束條件下人臉識 別技術(shù)相對成熟，在 自由條件下人臉識別技術(shù)還在不斷改進。3虹膜識別 虹膜識別的理論框架主要包括虹膜圖像分割、虹膜區(qū)域歸一化、 特征提取和識別四個局部，研究工作大多是基于此理論框架開展而來。虹膜識別技術(shù)應(yīng)用的 主要難題 包含傳感器和光照影響兩個方面：一方面，由于虹膜尺寸小且受黑色素 遮擋，需在近紅外 光源下采用高分辨圖像傳感器才可清晰成像，對傳感器質(zhì)量和 穩(wěn)定性要求比擬高；另一方 面，光照的強弱變化會引起瞳孔縮放，導(dǎo)致虹膜紋理 產(chǎn)生復(fù)雜形變，增加了匹配的難度。4指靜脈識別 指靜脈識別是利用了人體靜脈血管中的脫氧血紅蛋白對特定波長范圍內(nèi)的 近紅外線有很好的吸收作用這一特性，采用近紅外光對指靜脈進行成像與識別的 技術(shù)。由 于指靜脈血管分布隨機性很強，其網(wǎng)絡(luò)特征具有很好的唯一性，且屬于 人體內(nèi)部特征，不 受到外界影響，因此模態(tài)特性十分穩(wěn)定。指靜脈識別技術(shù)應(yīng)用 面臨的主要難題來自于成像 單元。5聲紋識別 聲紋識別是指根據(jù)待識別語音的聲紋特征識別說話人的技術(shù)。聲紋識別技術(shù)通?？梢苑譃榍岸颂幚砗徒７治鰞蓚€階段。聲紋識別