 圖像識別技術(shù)的背景 移動(dòng)互聯(lián)網(wǎng)、智能手機以及社交網(wǎng)絡(luò )的發(fā)展帶來(lái)了海量圖片信息，根據BI五月份的文章，Instagram每天圖片上傳量約為6000萬(wàn)張；今年2月份WhatsApp每天的圖片發(fā)送量為5億張；國內的微信朋友圈也是以圖片分享為驅動(dòng)。不受地域和語(yǔ)言限制的圖片逐漸取代了繁瑣而微妙的文字，成為了傳詞達意的主要媒介。圖片成為互聯(lián)網(wǎng)信息交流主要媒介的原因主要在于兩點(diǎn)：第一，從用戶(hù)讀取信息的習慣來(lái)看，相比于文字，圖片能夠為用戶(hù)提供更加生動(dòng)、容易理解、有趣及更具藝術(shù)感的信息；第二，從圖片來(lái)源來(lái)看，智能手機為我們帶來(lái)方便的拍攝和截屏手段，幫助我們更快的用圖片來(lái)采集和記錄信息。 但伴隨著(zhù)圖片成為互聯(lián)網(wǎng)中的主要信息載體，難題隨之出現。當信息由文字記載時(shí)，我們可以通過(guò)關(guān)鍵詞搜索輕易找到所需內容并進(jìn)行任意編輯，而當信息是由圖片記載時(shí)，我們卻無(wú)法對圖片中的內容進(jìn)行檢索，從而影響了我們從圖片中找到關(guān)鍵內容的效率。圖片給我們帶來(lái)了快捷的信息記錄和分享方式，卻降低了我們的信息檢索效率。在這個(gè)環(huán)境下，計算機的圖像識別技術(shù)就顯得尤為重要。 圖像識別是計算機對圖像進(jìn)行處理、分析和理解，以識別各種不同模式的目標和對像的技術(shù)。識別過(guò)程包括圖像預處理、圖像分割、特征提取和判斷匹配。簡(jiǎn)單來(lái)說(shuō)，圖像識別就是計算機如何像人一樣讀懂圖片的內容。借助圖像識別技術(shù)，我們不僅可以通過(guò)圖片搜索更快的獲取信息，還可以產(chǎn)生一種新的與外部世界交互的方式，甚至會(huì )讓外部世界更加智能的運行。百度李彥宏在2011年提到“全新的讀圖時(shí)代已經(jīng)來(lái)臨”，現在隨著(zhù)圖形識別技術(shù)的不斷進(jìn)步，越來(lái)越多的科技公司開(kāi)始涉及圖形識別領(lǐng)域，這標志著(zhù)讀圖時(shí)代正式到來(lái)，并且將引領(lǐng)我們進(jìn)入更加智能的未來(lái)。 圖像識別的初級階段——娛樂(lè )化、工具化 在這個(gè)階段，用戶(hù)主要是借助圖像識別技術(shù)來(lái)滿(mǎn)足某些娛樂(lè )化需求。例如，百度魔圖的“大咖配”功能可以幫助用戶(hù)找到與其長(cháng)相最匹配的明星，百度的圖片搜索可以找到相似的圖片；Facebook研發(fā)了根據相片進(jìn)行人臉匹配的DeepFace；雅虎收購的圖像識別公司IQ Engine開(kāi)發(fā)的Glow可以通過(guò)圖像識別自動(dòng)生成照片的標簽以幫助用戶(hù)管理手機上的照片；國內專(zhuān)注于圖像識別的創(chuàng )業(yè)公司曠視科技成立了VisionHacker游戲工作室，借助圖形識別技術(shù)研發(fā)移動(dòng)端的體感游戲。 這個(gè)階段還有一個(gè)非常重要的細分領(lǐng)域——OCR（Optical Character Recognition，光學(xué)字符識別），是指光學(xué)設備檢查紙上打印的字符，通過(guò)檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過(guò)程，就是計算機對文字的閱讀。語(yǔ)言和文字是我們獲取信息最基本、最重要的途徑。在比特世界，我們可以借助互聯(lián)網(wǎng)和計算機輕松的獲取和處理文字。但一旦文字以圖片的形式表現出來(lái)，就對我們獲取和處理文字平添了很多麻煩。這一方面表現為數字世界中由于特定原因被存儲稱(chēng)圖片格式的文字；另一方面是我們在現實(shí)生活中看到的所有物理形態(tài)的文字。所以我們需要借助OCR技術(shù)將這些文字和信息提取出來(lái)。在這方面，國內產(chǎn)品包括百度的涂書(shū)筆記和百度翻譯等；而谷歌借助經(jīng)過(guò)DistBelief 訓練的大型分布式神經(jīng)網(wǎng)絡(luò )，對于Google 街景圖庫的上千萬(wàn)門(mén)牌號的識別率超過(guò)90%，每天可識別百萬(wàn)門(mén)牌號。 在這個(gè)階段，圖像識別技術(shù)僅作為我們的輔助工具存在，為我們自身的人類(lèi)視覺(jué)提供了強有力的輔助和增強，帶給了我們一種全新的與外部世界進(jìn)行交互的方式。我們可以通過(guò)搜索找到圖片中的關(guān)鍵信息；可以隨手拍下一件陌生物體而迅速找到與之相關(guān)的各類(lèi)信息；可以將潛在搭訕對象拍下提前去她的社交網(wǎng)絡(luò )了解一番；也可以將人臉識別作為主要的身份認證方式……這些應用雖然看起來(lái)很普通，但當圖像識別技術(shù)滲透到我們行為習慣的方方面面時(shí)，我們就相當于把一部分視力外包給了機器，就像我們已經(jīng)把部分記憶外包給了搜索引擎一樣。 這將極大改善我們與外部世界的交互方式，此前我們利用科技工具探尋外部世界的流程是這樣：人眼捕捉目標信息、大腦將信息進(jìn)行分析、轉化成機器可以理解的關(guān)鍵詞、與機器交互獲得結果。而當圖像識別技術(shù)賦予了機器“眼睛”之后，這個(gè)過(guò)程就可以簡(jiǎn)化為：人眼借助機器捕捉目標信息、機器和互聯(lián)網(wǎng)直接對信息進(jìn)行分析并返回結果。圖像識別使攝像頭成為解密信息的鑰匙，我們僅需把攝像頭對準某一未知事物，就能得到預想的答案。就像百度科學(xué)家余凱所說(shuō)，攝像頭成為連接人和世界信息的重要入口之一。 圖像識別的高級階段——擁有視覺(jué)的機器 上文提到，目前的圖像識別技術(shù)是作為一個(gè)工具來(lái)幫助我們與外部世界進(jìn)行交互，只為我們自身的視覺(jué)提供了一個(gè)輔助作用，所有的行動(dòng)還需我們自己完成。而當機器真正具有了視覺(jué)之后，它們完全有可能代替我們去完成這些行動(dòng)。目前的圖像識別應用就像是盲人的導盲犬，在盲人行動(dòng)時(shí)為其指引方向；而未來(lái)的圖像識別技術(shù)將會(huì )同其他人工智能技術(shù)融合在一起成為盲人的全職管家，不需要盲人進(jìn)行任何行動(dòng)，而是由這個(gè)管家幫助其完成所有事情。舉個(gè)例子，如果圖像識別是一個(gè)工具，就如同我們在駕駛汽車(chē)時(shí)佩戴谷歌眼鏡，它將外部信息進(jìn)行分析后傳遞給我們，我們再依據這些信息做出行駛決策；而如果將圖像識別利用在機器視覺(jué)和人工智能上，這就如同谷歌的無(wú)人駕駛汽車(chē)，機器不僅可以對外部信息進(jìn)行獲取和分析，還全權負責所有的行駛活動(dòng)，讓我們得到完全解放。 《人工智能：一種現代方法》中提到，在人工智能中，感知是通過(guò)解釋傳感器的響應而為機器提供它們所處的世界的信息，其中它們與人類(lèi)共有的感知形態(tài)包括視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)，而視覺(jué)最為重要，因為視覺(jué)是一切行動(dòng)的基礎。在一次論壇上百度IDL的余凱院長(cháng)問(wèn)大家，你覺(jué)得哪種感覺(jué)最重要？沒(méi)有人能很快作答，后來(lái)余凱院長(cháng)換了個(gè)提問(wèn)方式，如果要放棄一種感覺(jué)，你最不愿意放棄的是那一種？這時(shí)大家都回答是視覺(jué)。Chris Frith在《心智的構建》中提到，我們對世界的感知不是直接的，而是依賴(lài)于“無(wú)意識推理”，也就是說(shuō)在我們能感知物體之前，大腦必須依據到達感官的信息來(lái)推斷這個(gè)物體可能是什么，這構成了人類(lèi)最重要的預判和處理突發(fā)時(shí)間的能力。而視覺(jué)是這個(gè)過(guò)程中最及時(shí)和準確的信息獲取渠道，人類(lèi)感覺(jué)信息中的80%都是視覺(jué)信息。機器視覺(jué)之于人工智能的意義就是視覺(jué)之于人類(lèi)的意義，而決定著(zhù)機器視覺(jué)的就是圖像識別技術(shù)。 更重要的是，在某些應用場(chǎng)景，機器視覺(jué)比人類(lèi)的生理視覺(jué)更具優(yōu)勢，它更加準確、客觀(guān)和穩定。人類(lèi)視覺(jué)有著(zhù)天然的局限，我們看起來(lái)能立刻且毫無(wú)費力的感知世界，而且似乎也能詳細生動(dòng)的感知整個(gè)視覺(jué)場(chǎng)景，但這只是一個(gè)錯覺(jué)，只有投射到眼球中心的視覺(jué)場(chǎng)景的中間部分，我們才能詳細而色彩鮮明的看清楚。偏離中間大約10度的位置，神經(jīng)細胞更加分散并且智能探知光和陰影。也就是說(shuō)，在我們視覺(jué)世界的邊緣是無(wú)色、模糊的。因此，我們才會(huì )存在“變化盲視”，才會(huì )在經(jīng)歷著(zhù)多樣事物發(fā)生時(shí)，僅僅關(guān)注其中一樣，而忽視了其他樣事物的發(fā)生，而且不知道它們的發(fā)生。而機器在這方面就有著(zhù)更多的優(yōu)勢，它們能夠發(fā)現和記錄視力所及范圍內發(fā)生的所有事情。拿應用最廣的視頻監控來(lái)說(shuō)，傳統監控需要有人在電視墻前時(shí)刻保持高度警惕，然后再通過(guò)自己對視頻的判斷來(lái)得出結論，但這往往會(huì )因為人的疲勞、視覺(jué)局限和注意力分散等原因影響監控效果。但有了成熟的圖像識別技術(shù)之后，再加以人工智能的支持，計算機就可以自行對視頻進(jìn)行分析和判斷，發(fā)現異常情況直接報警，帶來(lái)了更高的效率和準確度；在反恐領(lǐng)域，借助機器的人臉識別技術(shù)也要遠遠優(yōu)于人的主觀(guān)判斷。 許多科技巨頭也開(kāi)始了在圖像識別和人工智能領(lǐng)域的布局，Facebook簽下的人工智能專(zhuān)家Yann LeCun最重大的成就就是在圖像識別領(lǐng)域，其提出的LeNet為代表的卷積神經(jīng)網(wǎng)絡(luò )，在應用到各種不同的圖像識別任務(wù)時(shí)都取得了不錯效果，被認為是通用圖像識別系統的代表之一；Google 借助模擬神經(jīng)網(wǎng)絡(luò )“DistBelief”通過(guò)對數百萬(wàn)份 YouTube 視頻的學(xué)習自行掌握了貓的關(guān)鍵特征，這是機器在沒(méi)有人幫助的情況下自己讀懂了貓的概念。值得一提的是，負責這個(gè)項目的Andrew NG已經(jīng)轉投百度領(lǐng)導百度研究院，其一個(gè)重要的研究方向就是人工智能和圖像識別。這也能看出國內科技公司對圖像識別技術(shù)以及人工智能技術(shù)的重視程度。 圖像識別技術(shù)，連接著(zhù)機器和這個(gè)一無(wú)所知的世界，幫助它越發(fā)了解這個(gè)世界，并最終代替我們完成更多的任務(wù)。 微信公眾號（關(guān)于人與科技的深度思考）：機器之心，微信個(gè)人號：zhaoyunfeng1984 |
聯(lián)系客服
