图像识别主要用到了两个第三方的iOS框架：OpenCV和TesseractOCR，OpenCV用来做图像处理，定位到身份证号码的区域，TesseractOCR则是对定位到的区域内的内容进行识别。

  OpenCV中的一些简单的处理图像的方法：灰度处理、二值化、腐蚀、边缘检测等等。

Tesseract Open Source OCR Engine (main repository)- https://github.com/tesseract-ocr/tesseract

开源OCR识别彩票内容项目 LotteryHelper- https://github.com/MZCretin/LotteryHelper

  

  图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。

  模式识别是人工智能和信息科学的重要组成部分。模式识别是指对表示事物或现象的不同形式的信息做分析和处理从而得到一个对事物或现象做出描述、辨认和分类等的过程。

  计算机的图像识别技术就是模拟人类的图像识别过程。在图像识别的过程中进行模式识别是必不可少的。模式识别原本是人类的一项基本智能。模式识别主要分为三种：统计模式识别、句法模式识别、模糊模式识别。图像识别问题的数学本质属于模式空间到类别空间的映射问题。

  图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，并对质量不佳的图像进行一系列的增强与重建技术手段，从而有效改善图像质量。

-- 图像识别技术的过程分以下几步：信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。

  1.信息的获取是指通过传感器，将光或声音等信息转化为电信息。也就是获取研究对象的基本信息并通过某种方法将其转变为机器能够认识的信息。

  2.预处理主要是指图像处理中的去噪、平滑、变换等的操作，从而加强图像的重要特征。

  3.特征抽取和选择是指在模式识别中，需要进行特征的抽取和选择。简单的理解就是我们所研究的图像是各式各样的，如果要利用某种方法将它们区分开，就要通过这些图像所具有的本身特征来识别，而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一，所以对这一步的理解是图像识别的重点。

  4.分类器设计是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的对象具体属于哪一类。

预处理算法：滤波；图像增强；图像分割；预处理算法结果：构成训练样本和测试样本；
特征   提取：形状进行归一化处理；提取各阶矩特征值；特征值进行归一化处理；训练SVM得参数设计电气设备的分类器；

  神经网络图像识别技术是一种比较新型的图像识别技术，是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。

  在对车牌上的字符进行识别的过程中就用到了基于模板匹配算法和基于人工神经网络算法。想让计算机具有高效地识别能力，最直接有效的方法就是降维。降维分为线性降维和非线性降维。例如主成分分析（PCA）和线性奇异分析（LDA）等就是常见的线性降维方法，它们的特点是简单、易于理解。

  计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统；公共安全方面的人脸识别技术、指纹识别技术；农业方面的种子识别技术、食品品质检测技术；医学方面的心电图识别技术等。

  图像识别技术是立体视觉、运动分析、数据融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域可广泛应用。

 图像识别主要包括有对模板库图像样本的训练和对待测试图像样本的分类识别两部分。样本图像训练的基本思想是将样本图像的特征所属的类别构成模板库；图像识别的基本思想是按照训练过程中的特征提取方法，提取待测样本的特征与模板库中的训练样本进行匹配，匹配程度最高的即为识别结果。

 动态图像识别技术。

 图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别是人工智能的一个重要领域。目前主要的图像识别方法有基于神经网络的图像识别方法、基于小波矩的图像识别方法等。

 作为图像识别技术的基础操作，通过对采集到的图像进行増强、恢复、边缘检测Ｗ及分割等预处理操作来提高图像的质量。

 图像的增强主要通过对采集图像进行灰度变换、滤波、锐化等一系列操作，提髙图像质量及其视觉效果的清晰度，使图像能够更加适用于计算机的进一步分析和处理。

 通常可将图像噪声大致分为高斯噪声、椒盐噪声和颗粒噪声Ｈ类Ｕ＂。

 常用的图像锐化算法有；梯度算子法、Roberts算子法、Sobel算子法、Prewitt算子法以及拉普拉斯算子法等。

  图像分割的基本思想是将图像分割成若干个互不相关的具有相似或一致性特征的目标区域。分割方法的选取取决于图像中目标的特征，这些特征可以是目标的颜色、几何形状、灰度值或者空间纹理等。

  图像特征提取的基本思想是依据图像中目标的特性，将其分割为不同的子集后，提取出所需的图像目标特征，其目的在于求出对图像中目标的分类最为有效的特征，使识别的性能达到最佳。对于图像的识别来讲，提取出最能反映分类本质的图像特征以及如何提取这些特征是图像识别技术的关键。常见的特征提取法有基于颜色、纹理、形状以及空间关系等特征的提取方法。

  图像的分类识别是区分并分离各个目标的过程。对目标进行分类识别的关键不仅取决于提取图像中目标特征的结果，更取决于识别算法的选取。分类识别算法的选取对最终识别结果的准确程度有着决定性的作用。目前常见的分类识别方法主要有模板匹配法、人工神经网络法和支持向量机法等。

-- 基于SVM的图像识别主要分三步：

（1）构建训练样本集，利用SVM对样本的特征值进行训练，根据训练所得参数，构建基于SVM的识别分类器；

（2）将测试样本的特征值输入分类器中，得到属于各个目标分类后的概率；

（3）根据概率决定目标最终所属的类别，获得识别结果。

 图像的旋转和缩放容易引起图像的重采样和重量化。有两个最常见的大方向，一是2B的整体解决方案，二是2C的移动互联网应用。

 一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。

  机器视觉的应用领域也十分广泛，例如用于军事侦察、危险环境的自主机器人，邮政、医院和家庭服务的智能机器人。此外机器视觉还可用于工业生产中的工件识别和定位，太空机器人的自动操作等。机器的图像识别也是类似的，通过分类并提取重要特征而排除多余的信息来识别图像。

  在“先验知识库”的方法中，事物的形状、颜色、表面纹理等特征受到视角和观察环境所影响，在不同角度、不同光线、不同遮挡的情况下会产生变化。因此，研究者的新方法是，通过局部特征的识别来判断事物，对事物建立一个局部特征索引，即使视角或观察环境发生变化，也能比较准确地匹配上。

-- 图像识别过程



 

一、安装库
首先我们需要安装PIL和pytesseract库。

PIL：（Python Imaging Library）是Python平台上的图像处理标准库，功能非常强大。

pytesseract：图像识别库。
我这里使用的是python3.6，PIL不支持python3所以使用如下命令
pip install pytesseract
pip install pillow

如果是python2，则在命令行执行如下命令：
pip install pytesseract
pip install PIL

这时候我们去运行上面的代码会发现如下错误：


错误提示的很明显：

No such file or directory ："tesseract"
这是因为我们没有安装tesseract-ocr引擎
二、tesseract-ocr引擎
光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR发展较早，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。对于我们程序员来说，一般用不到那么高级的，主要在开发中能够集成基本的OCR功能就可以了。这两天我查找了很多免费OCR软件、类库，特地整理一下，今天首先来谈谈Tesseract，下一次将讨论下Onenote 2010中的OCR API实现。可以在这里查看OCR技术的发展简史。

Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。
###安装tesseract-ocr引擎
brew install tesseract

然后我们通过tesseract -v看一下是否安装成成功
tesseract 3.05.01
leptonica-1.75.0
libjpeg 9b : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11

这时候我们运行上面代码会出现乱码



这是因为tesseract默认只有语言包中没有中文包，如下图：


###安装tesseract-ocr语言包

我们去GitHub下载我们需要的语言包，这里我只下载了chi_tra.traineddata和chi_sim.traineddata

github：tesseract-ocr/tessdata

然后放到/usr/local/Cellar/tesseract/3.05.01/share/tessdata路径下面。
可以通过tesseract --list-langs查看本地语言包：


可以通过tesseract --help-psm 查看psm



0：定向脚本监测（OSD）

1： 使用OSD自动分页

2 ：自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）

3 ：全自动分页，但是没有使用OSD（默认）

4 ：假设可变大小的一个文本列。

5 ：假设垂直对齐文本的单个统一块。

6 ：假设一个统一的文本块。

7 ：将图像视为单个文本行。

8 ：将图像视为单个词。

9 ：将图像视为圆中的单个词。

10 ：将图像视为单个字符。

为什么这里要强调语言包和psm，因为我们在使用中会用到，

比如多个语言包组合并且视为统一的文本块将使用如下参数：

pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")

这里我们通过+来合并使用多个语言包。
接下来我们看一下配置好一切的正确结果。
import pytesseract
from PIL import Image

image = Image.open("../pic/c.png")
code = pytesseract.image_to_string(image,lang="chi_sim",config="-psm 6")
print(code)



此时大公告成。
～～号外～～福利～～号外～～

程序员的福音： “老曾筋骨祛痛贴”，百年祖传配方，专治腰间盘、肩周、颈椎、坐骨神经、腰腿疼痛等，博主亲测效果非常棒，因长期久坐写代码，坐姿不规范导致脖子疼，腰椎疼，用过之后疼痛逐渐缓解，现在已无任何疼痛，用过后让你写代码一身轻松，so easy，妈妈再也不用担心我们写代码了。
扫码下方二维码，关注公众号“伟大程序猿的诞生“，回复“膏药”领取优惠券，进行购买

扫码关注公众号“伟大程序猿的诞生“，更多干货新鲜文章等着你～



公众号回复“资料获取”，获取更多干货哦～
有问题添加本人微信号“fenghuokeji996” 或扫描博客导航栏本人二维码
我的博客即将同步至腾讯云+社区，邀请大家一同入驻：

https://cloud.tencent.com/developer/support-plan?invite_code=ncnq0hloo5yw

文章目录
如何快捷高效地开发智能图像识别产品
明确识别任务
确定工程技术路线
毫无疑问技术线是智能图像识别产品的开发重点。
工程线：重要的是规划
数据准备
模型训练
测试评估
模型发布
总结

如何快捷高效地开发智能图像识别产品
本文将结合笔者多次智能图像识别产品、OCR识别项目开发经历，从工程技术角度对这一流程进行总结和介绍
明确识别任务
在项目开发之前，要明确产品需求，即识别任务到底是什么。

例如在做身份证信息识别之前，需要沟通如下内容：

识别应用的场景如何，用户通过API调用我们的云端识别服务程序，还是识别程序直接在移动端直接部署
用户上传的身份证图像是规范矫正过的，还是随意角度放置的
用户需要识别哪些关键字段，身份证反面需不需要识别

确定工程技术路线
在了解大概的识别任务后，可以着手进行工程技术路线调研和设计了。
开发分两条线，工程一条线，技术一条线。
技术线先行，在确定了技术可行，原型通过验证后，可快速启动工程线。

毫无疑问技术线是智能图像识别产品的开发重点。

例如在身份证识别项目中，我结合使用场景设计了目标检测，校正，文本检测，文本识别和信息抽取等几个步骤。

对于每块内容需要进行技术调研和评估：

目标检测的方法如YOLO、Faster RCNN、SSD等有哪些有缺点 校正。
如何进行透视变换，求解变换矩阵。
如何进行文本检测，CTPN有哪些限制。
文本识别需要多少样本，样本如何获取。
信息如何抽取，需不需要NLP支持。


工程线：重要的是规划

工程线需要设计前后端架构，明确开发要点。

本文着重从技术实现方向介绍智能图像识别产品的开发流程
数据准备
数据准备包含以下步骤内容：


原始数据收集

由于原始数据内容可能涉及隐私，比如身份证，银行卡图像，

在不触犯法律情况下可通过内部资源贡献，或者通过网络途径获取。
数据标签化

对获取的原始图集进行打标签，可交由外包专业团队。

这部分需要设计标签的格式以及储存方式。建议采用  labelme 进行标注

例如可以使用create polygons 创建文本检测和识别标签，使用create points 创建关键点标签


 


增强数据

由于原始数据集规模有限，需要通过透视变换，模糊，抖动，背景融合进行图像增强，提升训练效果。
数据生成（部分情况可用）

对于印刷文字识别等，可通过工具机器生成出以假乱真的字符文本图像集。一个比较好用的 工具 。


模型训练
从数据集中分割出训练，测试用数据，使用训练数据集进行模型测试。

对于某个产品的开发过程，可能需要训练多个模型来满足功能需求。
例如在身份证识别应用中，我们需要训练一下模型：

目标定位模型，实现身份证目标的位置大小坐标检测。
关键点检测模型，实现身份证关键点的坐标检测，求解透视变换矩阵，校正图像。
文本检测模型，实现文本区域的定位。
文本识别模型，实现文本区域内字符序列的预测。

各个模型需要根据具体场景选择合适的开发算法。
模型训练可能持续一天甚至一周，需要不时观察模型训练输出，根据loss变化调整训练姿势。
测试评估
这里的测试评估不仅关注单模型的表现效果，同时对模型集成后的表现效果进行测试

对建立的测试集进行测试，评估单模型精度和集成后整体精度。
模型发布
在测试集上表现出色的可以进行模型发布。

一般需要freeze graph，将模型文件和权重文件整合合并为一个文件，便于发布。

一些应用场景，还需要对模型进行压缩，向目标设备进行适配。

多模型发布需要根据技术路线和方案进行集成，以实现完整的产品能力。
可通过建立开放平台对外提供识别服务，对外输出AI能力。
总结
好啦， 如何快捷高效地开发智能图像识别产品，你学会了吗？？
欢迎同学们访问如下链接，测试评估交流！！
Email：1161242024@qq.com
身份证信息识别服务
银行卡信息识别服务
通用卡证信息高精度识别流程

智能图像识别产品开发流程 

如何设计一个开放平台

图像识别技术是信息时代的一门重要的技术，其产生目的是为了让计算机代替人类去处理大量的物理信息。随着计算机技术的发展，人类对图像识别技术的认识越来越深刻。图像识别技术的过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。简单分析了图像识别技术的引入、其技术原理以及模式识别等，之后介绍了神经网络的图像识别技术和非线性降维的图像识别技术及图像识别技术的应用。从中可以总结出图像处理技术的应用广泛，人类的生活将无法离开图像识别技术，研究图像识别技术具有重大意义。
1图像识别技术的引入
图像识别是人工智能的一个重要领域。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。图像识别，顾名思义，就是对图像做出各种处理、分析，最终识别我们所要研究的目标。今天所指的图像识别并不仅仅是用人类的肉眼，而是借助计算机技术进行识别。虽然人类的识别能力很强大，但是对于高速发展的社会，人类自身识别能力已经满足不了我们的需求，于是就产生了基于计算机的图像识别技术。这就像人类研究生物细胞，完全靠肉眼观察细胞是不现实的，这样自然就产生了显微镜等用于精确观测的仪器。通常一个领域有固有技术无法解决的需求时，就会产生相应的新技术。图像识别技术也是如此，此技术的产生就是为了让计算机代替人类去处理大量的物理信息，解决人类无法识别或者识别率特别低的信息。
1.1图像识别技术原理
其实，图像识别技术背后的原理并不是很难，只是其要处理的信息比较繁琐。计算机的任何处理技术都不是凭空产生的，它都是学者们从生活实践中得到启发而利用程序将其模拟实现的。计算机的图像识别技术和人类的图像识别在原理上并没有本质的区别，只是机器缺少人类在感觉与视觉差上的影响罢了。人类的图像识别也不单单是凭借整个图像存储在脑海中的记忆来识别的，我们识别图像都是依靠图像所具有的本身特征而先将这些图像分了类，然后通过各个类别所具有的特征将图像识别出来的，只是很多时候我们没有意识到这一点。当看到一张图片时，我们的大脑会迅速感应到是否见过此图片或与其相似的图片。其实在“看到”与“感应到”的中间经历了一个迅速识别过程，这个识别的过程和搜索有些类似。在这个过程中，我们的大脑会根据存储记忆中已经分好的类别进行识别，查看是否有与该图像具有相同或类似特征的存储记忆，从而识别出是否见过该图像。机器的图像识别技术也是如此，通过分类并提取重要特征而排除多余的信息来识别图像。机器所提取出的这些特征有时会非常明显，有时又是很普通，这在很大的程度上影响了机器识别的速率。总之，在计算机的视觉识别中，图像的内容通常是用图像特征进行描述。
1.2模式识别
模式识别是人工智能和信息科学的重要组成部分。模式识别是指对表示事物或现象的不同形式的信息做分析和处理从而得到一个对事物或现象做出描述、辨认和分类等的过程。
计算机的图像识别技术就是模拟人类的图像识别过程。在图像识别的过程中进行模式识别是必不可少的。模式识别原本是人类的一项基本智能。但随着计算机的发展和人工智能的兴起，人类本身的模式识别已经满足不了生活的需要，于是人类就希望用计算机来代替或扩展人类的部分脑力劳动。这样计算机的模式识别就产生了。简单地说，模式识别就是对数据进行分类，它是一门与数学紧密结合的科学，其中所用的思想大部分是概率与统计。模式识别主要分为三种：统计模式识别、句法模式识别、模糊模式识别。
2图像识别技术的过程
既然计算机的图像识别技术与人类的图像识别原理相同，那它们的过程也是大同小异的。图像识别技术的过程分以下几步：信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。
信息的获取是指通过传感器，将光或声音等信息转化为电信息。也就是获取研究对象的基本信息并通过某种方法将其转变为机器能够认识的信息。
预处理主要是指图像处理中的去噪、平滑、变换等的操作，从而加强图像的重要特征。
特征抽取和选择是指在模式识别中，需要进行特征的抽取和选择。简单的理解就是我们所研究的图像是各式各样的，如果要利用某种方法将它们区分开，就要通过这些图像所具有的本身特征来识别，而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一，所以对这一步的理解是图像识别的重点。
分类器设计是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的对象具体属于哪一类。
3图像识别技术的分析
随着计算机技术的迅速发展和科技的不断进步，图像识别技术已经在众多领域中得到了应用。2015年2月15日新浪科技发布一条新闻：“微软最近公布了一篇关于图像识别的研究论文，在一项图像识别的基准测试中，电脑系统识别能力已经超越了人类。人类在归类数据库Image Net中的图像识别错误率为5.1%，而微软研究小组的这个深度学习系统可以达到4.94%的错误率。”从这则新闻中我们可以看出图像识别技术在图像识别方面已经有要超越人类的图像识别能力的趋势。这也说明未来图像识别技术有更大的研究意义与潜力。而且，计算机在很多方面确实具有人类所无法超越的优势，也正是因为这样，图像识别技术才能为人类社会带来更多的应用。
3.1神经网络的图像识别技术
神经网络图像识别技术是一种比较新型的图像识别技术，是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。这里的神经网络是指人工神经网络，也就是说这种神经网络并不是动物本身所具有的真正的神经网络，而是人类模仿动物神经网络后人工生成的。在神经网络图像识别技术中，遗传算法与BP网络相融合的神经网络图像识别模型是非常经典的，在很多领域都有它的应用。在图像识别系统中利用神经网络系统，一般会先提取图像的特征，再利用图像所具有的特征映射到神经网络进行图像识别分类。以汽车拍照自动识别技术为例，当汽车通过的时候，汽车自身具有的检测设备会有所感应。此时检测设备就会启用图像采集装置来获取汽车正反面的图像。获取了图像后必须将图像上传到计算机进行保存以便识别。最后车牌定位模块就会提取车牌信息，对车牌上的字符进行识别并显示最终的结果。在对车牌上的字符进行识别的过程中就用到了基于模板匹配算法和基于人工神经网络算法。

　　3.2非线性降维的图像识别技术
计算机的图像识别技术是一个异常高维的识别技术。不管图像本身的分辨率如何，其产生的数据经常是多维性的，这给计算机的识别带来了非常大的困难。想让计算机具有高效地识别能力，最直接有效的方法就是降维。降维分为线性降维和非线性降维。例如主成分分析（PCA）和线性奇异分析（LDA）等就是常见的线性降维方法，它们的特点是简单、易于理解。但是通过线性降维处理的是整体的数据集合，所求的是整个数据集合的最优低维投影。经过验证，这种线性的降维策略计算复杂度高而且占用相对较多的时间和空间，因此就产生了基于非线性降维的图像识别技术，它是一种极其有效的非线性特征提取方法。此技术可以发现图像的非线性结构而且可以在不破坏其本征结构的基础上对其进行降维，使计算机的图像识别在尽量低的维度上进行，这样就提高了识别速率。例如人脸图像识别系统所需的维数通常很高，其复杂度之高对计算机来说无疑是巨大的“灾难”。由于在高维度空间中人脸图像的不均匀分布，使得人类可以通过非线性降维技术来得到分布紧凑的人脸图像，从而提高人脸识别技术的高效性。
3.3图像识别技术的应用及前景
计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统；公共安全方面的人脸识别技术、指纹识别技术；农业方面的种子识别技术、食品品质检测技术；医学方面的心电图识别技术等。随着计算机技术的不断发展，图像识别技术也在不断地优化，其算法也在不断地改进。图像是人类获取和交换信息的主要来源，因此与图像相关的图像识别技术必定也是未来的研究重点。以后计算机的图像识别技术很有可能在更多的领域崭露头角，它的应用前景也是不可限量的，人类的生活也将更加离不开图像识别技术。
图像识别技术虽然是刚兴起的技术，但其应用已是相当广泛。并且，图像识别技术也在不断地成长，随着科技的不断进步，人类对图像识别技术的认识也会更加深刻。未来图像识别技术将会更加强大，更加智能地出现在我们的生活中，为人类社会的更多领域带来重大的应用。在21世纪这个信息化的时代，我们无法想象离开了图像识别技术以后我们的生活会变成什么样。图像识别技术是人类现在以及未来生活必不可少的一项技术。

　　人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：

　　AI可以识别图像，但它能理解标题吗？
http://www.duozhishidai.com/article-10635-1.html

　　图像识别经历了哪几个阶段，主要应用在哪些领域？
http://www.duozhishidai.com/article-6461-1.html

　　图像识别技术是什么，应用于智能家居哪些领域
http://www.duozhishidai.com/article-133-1.html

多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站