qq_59931372的博客

百度语音是百度AI开放平台提供的一个在线识别语音引擎。和前面介绍的图形识别一样，都是通过对API的引用，利用百度AI提供的接口进行实现。目前支持的语音包括普通话，粤语，四川话和英语等。利用百度语音进行在线识别的时候，需要上传完整的录音文件，而且语音文件市场不得超过60s。百度语音提供两种识别模型：搜索模型与输入法模型。搜索模型实现效果如同百度搜索的语音输入，适合短语识别场景，中间有逗号。在应用普通话搜索模型时，也可识别简单的常用英语语句。

MFCC意为梅尔频率倒谱系数，顾名思义，MFCC语音特征提取包含两个关键步骤；将语音信号转化为梅尔频率，然后进行倒谱分析。梅尔频谱是一个可用来代表短期音频的频谱，梅尔刻度（Mel Scale）则是一种基于人耳对等距的音高变化的感官判断而确定的非线性频率刻度。梅尔频率和正常的频率f之间的关系：当梅尔刻度均匀分布，则对应的频率之间的距离会越来越大。梅尔刻度的滤波器组在低频部分的分辨率高，跟人耳的听觉特性比较相符，这也是梅尔刻度的物理意义。

语音识别是一门复杂的交叉技术学科，通常涉及声学，信号处理，模式识别，语言学，心理学，以及计算机等多个学科领域。语音识别技术的发展可追寻到20世纪50年代，贝尔实验室首次实现Audrey英文数字识别系统（可识别0——9单个数字英文识别），并且准确识别率达到90%以上。普林斯顿大学和麻省理工学院在同一时期也推出了少量词语的独立识别系统。到20世纪80年代，隐马尔可夫模型（Hidden arkov Model，HMM）。N-gram语言模型。

人工智能识别算法的最简介绍

ImageAI是一个面向计算机视觉编程的Python库，支持最先进的机器学习算法。主要图像预测，物体检测，视频对象检测与跟踪等多个应用领域。利用ImageAI，开发人员可用很少的代码构建出具有包含深度学习和计算机视觉功能的应用系统。ImageAI目前支持在ImageNet数据集上对多种不同机器算法进行图像预测和训练，ImageNet数据集项目始于2006年，它是一项持续的研究工作，旨在为世界各地的研究人员提供易于访问的图像数据库。

视频一般有两种来源，一种是从本地磁盘加载，另一种是从摄像头等设备实时获取。上述两种视频获取方式分别对应着OpenCV2的两个函数CaptureFromFile()和CaptureFromCAM().在OpenCV3中则统一为一个用于处理视频源载入的函数VideoCapture（）。

图像形状检测，作为人工智能中的重要分支，介绍检测算子，是认识人工智能的重要方面。

图像识别（Image Recognition）是人工智能的一个重要研究领域。它以图像的主要特征区域（检测目标）为基础，通过数据获取一系列的相关处理，并采用各种算法来对目标图像进行检测，识别与理解。其中，图象是承载检测目标的载体，而检测目标则需事先进行特征提取，归纳。最终通过相应的算法分离出来。通常情况下，一个图像识别系统主要由图像分割图像特征提取，分类与识别3个部分组成。

差分法主要通过有限差分来近似表示导数（Derivative），从而寻找微分方程的近似解。换而言之，差分法是用有限差分来代替微分，用有限差商来替代导数，从而把基本方程和边界条件（一般均为微分方程）近似地转化为差分方程（代数方程）来表示，把求解微分方程的问题转化为求解代数方程的问题。有限差分导数的逼近（Approximation）在微分方程数值解的有限差分方法中，特别是边界值问题中，骑着关键的作用。

人们希望用一类与数据的背景材料规律相适应的解析表达式，y=f(x，c）来反映量x与y之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据。有许多衡量拟合优度的标准，最常用的一种做法是选择参数c使得拟合模型与实际观测值在各点的残差(或离差)ek=yk－f(xk，c)的加权平方和达到最小，此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线。对于区间[a,b]上连续不断且f(a)*f(b)

卷积运算实际上是一种常见的数学方法，与加法，乘法等运算类似，都是由两个输入的到一个输出。不同的是，卷积运算输入的是两个信号，输出第三个信号。除了信号处理外，卷积运算也常用于概率论与数理统计等其他诸多领域。在线性系统中，卷积用于描述信号（Input Signal）,冲激响应(Impulse Response),以及输出信号（Output Signal）3者之间的关系。卷积运算是一种基于二维数组矩阵之间的一种操作算法，认识卷积运算，可以很方便的实现一些功能。熟练掌握filter2D()卷积函数，是本节的重点。

人工智能的发展，在近几年的发展中显的尤为重要，人工智能的涉及领域也不单单是机器人的领域，实际上，人工智能的研究领域包括图像识别，语音识别，自然语言处理，专家系统以及机器人技术等。傅里叶变换的主题思想就是将时域转换为频域，这样可以很简单的将一些数据通过正弦函数的方式展现出来。本文介绍了傅里叶变换的相关知识，掌握好fft函数时本文的重点.