第二节 人工智能基础

可以分为四类：直观性特征、灰度统计特征、变换系数特征、代数特征。对于特征的提取，一般采用全局观测特征方式。虽然这样的算法具有较好的鲁棒性，但其精准度对训练的强度有很高的要求。从本质上来说，特征提取的过程就是降维的过程，为样本获得一个低维特征。

3.图像知识层

图像知识层重点解决图像特征的语义转换问题，即如何将图像特征处理为可以描述的语义信息。比较常用的图像知识算法有：模板匹配、神经网络、支持向量机等，通过建立图像与语义的关系来达到语义转换的目的，从而进一步理解图像，因而这层也被称为图像理解层。

六、自然语言处理（Natural Language Processing）

自然语言处理包括自然语言处理技术和自然语言处理资源两方面。其中，自然语言处理资源包括WordNet和HowNet等词典，而自然语言处理技术则包括去除停止词、取词根、词性标注、词义消歧、句法分析、命名实体识别及指代消解等。本质上，就是将自然语言与计算机语言进行打通，让计算机程序模仿人脑结构的人工神经网络，通过加工处理符号信息来实现语义的理解转换。而在信息检索中，常常将自然语言资源（如词典）与自然语言处理技术两者结合运用。研究自然语言处理所涉及的领域有智能语义搜索、问答系统等。

1.智能语义搜索

以基于NLP IR自然语言处理框架的智能语义搜索平台为例。如图3.8所示，通过不同层次的自然语言处理方法来缩小文档与查询之间的距离，从而让两者的匹配率达到最高。通常情况下会采用以下四种自然语言处理方法：直接方法、扩展方法、抽取方法、转换方法和统一方法。同时，结合大数据处理、网络精准采集、文本挖掘及网络搜索等技术实现语义的精准搜索功能，并通过智能过滤的方式去除不良信息，从而帮助用户快速、准确地获取信息。

图3.8

2.问答系统

问答系统是指机器与人之间可以实现无障碍交流。问答系统的产品应用已经开始出现在智能手机之中，如Siri、微软小冰、小i等聊天软件。问答系统的核心是自然语言处理，即实现语义解析、信息提取等过程。通过对人机问答系统的应用，可以对问答系统（Question-Answering System）进行简要分析，问答系统的系统架构如图3.9所示。

图3.9

系统首先需要通过模式匹配或其他方法来对问题类型进行判断，再以提取关键词的方式在网络或者语料库中进行搜索，接着将搜索结果结合问题类型进行答案提取，最后再通过关联性打分的方式返回得分最高的Topn候选答案。基于这样的一个工作原理，问答系统就可以完成简单的人机互动。

就目前的应用来看，自然语言处理还面临着词法、句法、语义及语音等不同层面的问题，并且语言具有高度复杂性，所以机器在如此不确定的环境中获得的学习模仿能力还是相对较弱的。

七、人机交互（Human-computer Interaction）

人机交互指的是计算机与用户之间的交流互动，其中有三个重要元素在设计时需要考虑：人、交互设备、交互软件。其中，交互软件是整个交互计算机的核心，其重点在于对算法的研究；交互设备则是用来实现人与计算机间传递消息的媒介。同时，交互程序的设计还需要在物理层面、认知层面及情感层面进行充分考虑。人机交互一般基于视觉、听觉、触觉三种感官出发进行设计，所以可以分为四种类型：视觉人机交互、音频人机交互、传感器人机交互、多通道人机交互。

1.视觉人机交互

在人机交互领域，对基于视觉的人机交互的研究是最深入的，涉及的范围包括面部表情分析、身体运动跟踪、手势识别及眼动跟踪等。由于手势交互是研究的重点领域，市场上已经出现了专业的手势采集设备。基于视觉的人机交互研究方向已经从基于数据手套的手势识别系统发展到基于视觉的手势识别系统。

而基于视觉的手势识别系统主要通过手势建模、手势分析、手势识别这三个核心技术来实现交互功能。手势识别系统流程如图3.10所示。

图3.10

手势建模是建立系统的第一步，需要通过模型选取对手势的空间属性、时间特征等进行确认；手势分析阶段的关键则在于对手的定位、跟踪以及图像特征的选择；手势识别阶段则需要将手势特征参数与已知的模型进行匹配，从而判断出手势的类别和属性。就目前发展来看，手势识别系统在人机交互研究领域具有广阔的应用前景。

2.音频人机交互

基于音频的人机交互也可以说是语音交互，包含语音采集、语音识别、语义理解和语音合成四个部分。整个过程需要先采集语音样本，再将语音信息转化到文本信息来完成相应的操作，最后以语音合成的方式重新整合成音频信息。目前，以科大讯飞、百度、腾讯、搜狐为代表的中国智能语音企业快速崛起，占据了中文语音市场近80%的份额。而音频作为最便捷的信息获取方式之一，必定是未来人机交互的重点发展方向。

3.传感器人机交互

在不同的领域之中，物理传感器的存在是人机交互中的一个共性，而传感器的应用又可以分为很多类，比如笔式