中企动力 > 商学院 > 识别
  • ?

    一文读懂语音识别技术原理

    豆豆鱼

    展开

    语音识别是十年来发展最快的技术之一,随着AI的不断发展,深度学习让语音识别技术得到了质的飞跃,开始从实验室走向市场,并逐步走到人们的生活中。

    我们现在所用的语音输入法,以及以语音为智能交互入口的智能家居,背后都涉及到语音识别技术。

    今天晚上,我们就来学习下本周的新课程 《语音识别技术》,有请今天的主讲嘉宾:科大讯飞研究院潘嘉老师,掌声欢迎~

    01语音识别技术的发展历程

    语音识别技术是指机器自动将人的语音的内容转成文字,又称 Automatic Speech Recognition,即ASR技术。

    语音识别是一门交叉的、非常复杂的学科,需要具备生理学、声学、信号处理、计算机科学、模式识别、语言学、心理学等相关学科的知识。

    语音识别的研究是个漫长而且艰难的过程,它的发展可以追溯到20世纪50年代,1952年贝尔实验室首次实现Audrey英文数字识别系统,这个系统当时可以识别单个数字0~9的发音,并且对熟人的准确度高达90%以上。

    在同时期,MIT、普林斯顿相继推出少量词的独立词识别系统。

    1971年美国国防部研究所(DARPA)赞助了五年期限的语音理解研究项目,推动了语音识别的一次大发展。DARPA在整个科技的发展过程中扮演了非常重要的角色,它专门给高科技研究项目提供资金支持,包括无人机、卫星等等。

    在DARPA的支持下,IBM、卡内基梅隆大学(CMU)、斯坦福等学术界和工业界非常顶级的研究机构也都加入到语音识别的研究中去。

    其中,卡耐基梅隆大学研发出harpy语音识别系统,该系统能够识别1011个单词,在这个时期大词汇量的孤立词识别取得实质性进展。

    到了1980年,语音识别技术已经从从孤立词识别发展到连续词识别,当时出现了两项非常重要的技术:隐马尔科夫模型( HMM )、N-gram语言模型。

    1990年,大词汇量连续词识别持续进步,提出了区分性的模型训练方法MCE和MMI,使得语音识别的精确度日益提高,尤其适用于长句子的情况下,与此同时,还提出了模型自适应方法MAP和MLLR。

    在工业方面,剑桥推出首个开源的语音识别训练工具HTK,在商业方面,Nuance发布了首个消费级产品Dragon Dictate。

    到了21世纪,随着深度学习的不断发展,神经网络之父Hinton提出深度置信网络( DBN ),2009年, Hinton和学生Mohamed将深度神经网络应用于语音识别,在小词汇量连续语音识别任务TIMIT上获得成功。

    02 语音识别的技术原理

    从20世纪80年代开始,现在语音识别采用模式识别的基本框架,分为数据准备、特征提取、模型训练、测试应用这4个步骤,在这里我们主要来讲解下模型训练和测试应用。

    模型经过训练之后,一段待测的语音需要经过信号处理和特征提取,然后利用训练好的声学模型和语言模型,分别求得声学模型和语言模型得分,然后综合这2个得分,进行候选的搜索,最后得出语言识别的结果。

    公式表达如图所示

    接下来我们来看下语言模型,语言模型的物理意义反映字词出现的先验概率,比如“郝”和“好”,这两个字发音相同,但“郝”相对于“好”来说,出现的概率较低,一般都会出现在姓氏里。

    除此之外,语言模型的物理意义还在于反映词顺序是否符合语言习惯和反映词的语义信息。

    了解了语言模型的物理意义,我们来看下语言模型的建模,传统语言模型采用N-gram的做法,语言模型是对文本序列的先验概率进行建模,用以下公式表示:

    ()=(1 2 …w )=(1 )(2│1 )…( |(1:1))

    我们按照全概率空间展开,可以表示为第一个词出现的概率(1)乘以第一个词出现之后,第二个词的概率(2│1 ),以此类推一直到第n个词。

    对于这样一个全概率空间,我们对它进行N-阶马尔科夫假设,即每个词出现的概率只和最近的N个历史词有关,根据这样一个假设,上面表示先验概率中的每一项都可以做这样一个近似:

    比如我们需要求1-阶马尔科夫假设,用以下公式即可很方便的算出结果:

    这样一种看似很简单的非参数的计算方法,却从20世纪的80年代一直沿用到今天。

    在深度学习出现之后,逐渐出现了另一种语言模型——RNNLM。

    RNNLM语言模型的流程,之前我们提到过先验概率可以按照全概率空间进行展开,我们对公式中间的每一项都采用同一种深度学习模型来建模,就可以表达成如下结构:

    说完了语言模型建模,接下来我们来说下声学模型建模,给定了相应的文本序列之后,生成相应的语音,这是语音识别技术中最核心的也是最复杂的部分。

    为了减少同音词的数据共享问题,首先我们会将文本序列转化成它的发音序列,做这一步的目的就是加强建模单元的共享性。

    在我们对每一个发音单元,比如“xue”里面的韵母做建模的时候,我们的语音具有不定长的特性,我们说的快和说的慢的时候,语音帧的时长是不一样的,对于这种不定长的语音建模,这个时候就需要引入HMM模型。

    HMM模型每一个语音帧让我们的每一个语音帧都对应到HMM模型中的每一个状态,不论多长的语音都能够表达为HMM模型的一个状态序列。

    最后只要将HMM模型中的序列和我们语音中的每一帧进行一一对应。再将这个对应关系,用一个概率来表达就可以了。

    我们知道语音其实是非常复杂多变的,不同的人在说同样的句子的时候,会表现出非常大的差异性。

    1980年代的时候,由于计算条件的限制,业内一般采用GMM声学模型,到了2010年深度学习技术兴起,DNN声学建模开始取代GMM声学建模。

    03 语音识别技术的典型应用

    语音识别技术早期的应用主要是语音听写,用户说一句,机器识别一句。后来发展成语音转写,随着AI的发展,语音识别开始作为智能交互应用中的一环。

    下面我们就来一一介绍这些应用:

    首先我们来看下语音听写,语音听写中最为典型的案例就是讯飞输入法,除此之外,语音听写的应用还有语音病例系统。

    医生佩戴上讯飞定制的麦克风,在给病人诊断时,会将病情、用药、需要注意事项等信息说出来,机器将医生说的话自动识别出来,生成病例。

    关于语音转写的应用,我们也举两个产品的例子,一是讯飞语记,另一个是讯飞听见。

    讯飞语记是一款APP,它能够将我们所说的语音记录成文字,讯飞听见会议系统能够实时的根据演讲者所说的内容准确识别出来,并且实时投影在我们的大屏幕上。

    关于语音交互的产品有很多,比如讯飞推出的讯飞翻译机、能够和小朋友进行互动的阿法蛋、以及可以进行聊天交流的叮咚音箱等。

  • ?

    语音识别的技术原理是什么?

    三德子

    展开

    首先,我们知道声音实际上是一种波。常见的 mp3等格式都是压缩格式, 必须转成非压缩的纯波形文件来处理,比如 Windows PCM文件,也就是俗称 的 wav 文件。 wav 文件里存储的除了一个文件头以外,就是声音波形的一个个 点了。下图是一个波形的示例。

    在开始语音识别之前, 有时需要把首尾端的静音切除, 降低对后续步骤造成 的干扰。这个静音切除的操作一般称为 VAD ,需要用到信号处理的一些技术。 要对声音进行分析, 需要对声音分帧, 也就是把声音切开成一小段一小段, 每小 段称为一帧。 分帧操作一般不是简单的切开, 而是使用移动窗函数来实现, 这里 不详述。帧与帧之间一般是有交叠的,就像下图这样:

    图中,每帧的长度为 25毫秒,每两帧之间有 25-10=15毫秒的交叠。我们 称为以帧长 25ms 、帧移 10ms 分帧。分帧后,语音就变成了很多小段。但波形 在时域上几乎没有描述能力, 因此必须将波形作变换。

    常见的一种变换方法是提取 MFCC 特征,根据人耳的生理特性,把每一帧波形变成一个多维向量,可以 简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提 取。实际应用中,这一步有很多细节,声学特征也不止有 MFCC 这一种,具体 这里不讲。 至此, 声音就成了一个 12行 (假设声学特征是 12维 ) 、 N 列的一个矩 阵,称之为观察序列,这里 N 为总帧数。观察序列如下图所示,图中,每一帧 都用一个 12维的向量表示,色块的颜色深浅表示向量值的大小。

    接下来就要介绍怎样把这个矩阵变成文本了。首先要介绍两个概念:

    音素:单词的发音由音素构成。 对英语, 一种常用的音素集是卡内基梅隆大 学的一套由 39个音素构成的音素集,参见 The CMU Pronouncing

    Dictionary(http://speech.cs.cmu.edu/cgi-bin/cmudict) 。汉语一般 直接用全部声母和韵母作为音素集,另外汉语识别还分有调无调,不详述。 状态:这里理解成比音素更细致的语音单位就行啦。 通常把一个音素划分成 3个状态。语音识别是怎么工作的呢 ?

    实际上一点都不神秘,无非是:第一步,

    把帧识别成状态 (难点 ) 。第二步,把状态组合成音素。第三步,把音素组合成单 词。如下图所示:

    图中, 每个小竖条代表一帧, 若干帧语音对应一个状态, 每三个状态组合成 一个音素, 若干个音素组合成一个单词。 也就是说, 只要知道每帧语音对应哪个 状态了,语音识别的结果也就出来了。那每帧音素对应哪个状态呢 ? 有个容易想 到的办法, 看某帧对应哪个状态的概率最大, 那这帧就属于哪个状态。 比如下面 的示意图,这帧在状态 S3上的条件概率最大,因此就猜这帧属于状态 S3。

    那这些用到的概率从哪里读取呢 ? 有个叫“声学模型”的东西,里面存了一 大堆参数, 通过这些参数, 就可以知道帧和状态对应的概率。

    获取这一大堆参数的方法叫做“训练”,需要使用巨大数量的语音数据,训练的方法比较繁琐,这 里不讲。 但这样做有一个问题:每一帧都会得到一个状态号, 最后整个语音就会 得到一堆乱七八糟的状态号,相邻两帧间的状态号基本都不相同。假设语音有 1000帧,每帧对应 1个状态,每 3个状态组合成一个音素,那么大概会组合成 300个音素, 但这段语音其实根本没有这么多音素。 如果真这么做, 得到的状态 号可能根本无法组合成音素。 实际上, 相邻帧的状态应该大多数都是相同的才合 理,因为每帧很短。解决这个问题的常用方法就是使用隐马尔可夫模型 (Hidden Markov Model, HMM) 。 这东西听起来好像很高深的样子, 实际上用起来很简 单:

    第一步,构建一个状态网络。

    第二步,从状态网络中寻找与声音最匹配的路径。

    这样就把结果限制在预先设定的网络中, 避免了刚才说到的问题, 当然也带 来一个局限,比如你设定的网络里只包含了“今天晴天”和“今天下雨”两个句 子的状态路径,那么不管说些什么,识别出的结果必然是这两个句子中的一句。 那如果想识别任意文本呢 ? 把这个网络搭得足够大,包含任意文本的路径就可以 了。 但这个网络越大, 想要达到比较好的识别准确率就越难。 所以要根据实际任 务的需求, 合理选择网络大小和结构。 搭建状态网络, 是由单词级网络展开成音 素网络, 再展开成状态网络。 语音识别过程其实就是在状态网络中搜索一条最佳 路径,语音对应这条路径的概率最大,这称之为“解码”。路径搜索的算法是一 种动态规划剪枝的算法,称之为 Viterbi 算法,用于寻找全局最优路径。

    这里所说的累积概率,由三部分构成,分别是:

    观察概率:每帧和每个状态对应的概率

    转移概率:每个状态转移到自身或转移到下个状态的概率

    语言概率:根据语言统计规律得到的概率

    其中, 前两种概率从声学模型中获取, 最后一种概率从语言模型中获取。 语 言模型是使用大量的文本训练出来的, 可以利用某门语言本身的统计规律来帮助 提升识别正确率。语言模型很重要,如果不使用语言模型,当状态网络较大时, 识别出的结果基本是一团乱麻。

    这样基本上语音识别过程就完成了。

  • ?

    常见电容器的识别

    Vicky

    展开

    电容器的主要参数有两个:容量和额定耐压。在电容上标注的电容量值,称为标称容量。电容器的标称容量与实际容量只差,再除以标称值所得的百分比,就是允许误差。

    一.误差的标志方法一般有如下3种:

    1.将容量的允许误差直接标志在电容器上;

    2.用罗马数字Ⅰ、Ⅱ、III分别表示±5%、±10%、±20%;

    3.用英文字母表示误差等级,如用J、K、M、N分别表示±5%、±10%、±20%、±30%;用D、F、G分别表示±0.5%、±1%、±2%;用P、S、Z分别表示±100%~0%、±50%~20%、±80%~20%。

    二. 电容器容量的标志方法有如下6种:

    1.直标法。在产品的表面上直接标志出产品的主要参数和技术指标的方法,如在电容器上标志:33F±5%、32V。若是零点零几,常把整数位的“0”省去,如.01F表示0.01F。

    2.文字符号法。将需要标志的主要参数与技术性能用文字、整数符号有规律地组合标志在产品的表面上。采用文字符号法时,将容量的整数部分写在容量单位标志符号前面,小数部分放在单位符号后面,如:3.3pF标志为3p3,1000pF标志为1n,6800标志为6n8,2.2F标志为2。(1法拉(F)= 1000毫法(mF)=1000000微法(μF);1微法(μF)= 1000纳法(nF)= 1000000皮法(pF))

    3.数字表示法。数字表示法是只标数字不标单位的直接表示法。采用此种方法的仅限于单位为F和pF两种,一般无极性电容默认单位为pF,电解电容默认单位为F。

    4.数码表示法。体积较小的电容器常用数字标志法,一般用3位整数,第1位、第2位为有效数字,第3位表示有效数字后面零的个数,即倍率,单位为皮法(pF);但是当第3位数是9时表示10,如“243”表示容量为24000pF,而“339”表示容量为33x10pF(3.3 pF)。

    5.色码表示法。电容器容量的色标法原则上与电阻(位)器类似(以前写过常见电阻器的识别方法)。颜色涂于电容器的一端或从顶端向引线排列。色码一般只有三种颜色,前两环为有效数字,第三环为位率,容量单位位pF。

    6.字母数字混合表示法。字母数字混合表示法用2~4位数字和一个字母表示标称容量,其中数字表示有效数值,字母表示数值的单位。字母有时即表示单位也表示小数点。

    三.电容器的额定耐压系列

    电容器的额定耐压是指在规定温度范围下,电容器正常工作时能承受的最大直流电压。固定式电容器的耐压系列值有:1.6、6.3、10、16、25、32*、40、50、63、100、125*、160、250、300*、400、450*、500、1000V等(带*的只限于电解电容使用)。

    耐压值一般直接标在电容器上,但有些电解电容器在正极根部用色点来表示耐压等级,如6.3V用棕色,10V用红色,16V用灰色。电容器在使用时不允许超过这个耐压值,若超过此值,电容器就可能损坏或被击穿,甚至爆裂。

  • ?

    推荐几款OCR识别App(提取图像中的文字,适用安卓与ios)

    沙迎梅

    展开

    Ocr识别技术,说直白一点,就是把以图像形式存在的文字变成可编辑的文字.

    比如要把书上的文字复制下来, 需要照着书一个一个字打,但是如果通过ocr识别软件, 我们就可以直接通过拍照的形式把这些文字截取下来.

    举个例子:

    书本

    OCR识别之后:

    10每个人都听命于三个“长官”控制模式必须因时制宜,一药不能治百疾现在让我们来看看人的行为如何被控制或影响。如果你的车子正需要换轮胎,你可能会先到当初买车的经销商那里去看他们提供哪些选择,然后你可能会到其他修车厂作个比较,你还可能会去翻翻消费杂志来个货比三家。但到最后,你只会以一个标准来作决定:你的自身利益。你想要以最低的代价满足需求。在这种买卖关系中,你会站在经销商或维修厂的立场考虑的可能性极小。因为你并不关心他们的利益,你不会笨到去告诉卖你轮胎的人应该抬高价钱多赚你一点这会儿你换了新轮胎开车上路,没多久便碰上了红灯,你只好停下车。你有没有想过为什么要踩刹车减速?从来没有。“红

    怎么样, 很方便吧.

    市面有很多软件都有这样的功能, 这边就推荐几款手机上的ocr识别应用.

    安卓系统应用-全能分词(锤子BigBang)

    各大安卓手机的应用市场都能搜索下载到,小米应用商店名字是"全能分词",酷安里面是"锤子BigBang"(因为作者开发这个App是基于锤子公开的BigBang开源项目的)

    安装好之后,登陆时候就有相应的功能介绍

    功能介绍

    软件界面

    点击文字识别ocr

    点击从图片中识别文字.

    可以直接拍摄,也可以从相册取出图片

    这边选择拍摄,召唤出相机功能

    对图片进行一些修剪,选择自己要的文字

    成功分离出文字,可直接复制使用

    但是, 这个app的ocr技术,还是基于第三方的. 所以,并不是直接能够识别的, 需要进行一些设置才能分离出文字来.

    购买app中的会员(不建议)点击app中引导的点击的广告(不推荐)自行设置第三方的ocr支持(强力推荐)

    设置第三方ocr秘钥入口

    作者也非常实在, 在软件中,介绍了如何设置第三方ocr秘钥的很详细的方式.

    不过毕竟开发也很辛苦,如果觉得好用,也可以点击一下广告支持下作者.

    申请第三方ocr秘钥的方法.

    苹果IOS与安卓均可用的方案

    腾讯QQ (免费,速度快,精度与全能分词差不多,推荐)没有看错, 确实是我们在手机上聊天用的手机QQ. 其实他也自带了ocr识别的功能,如下图

    对着文字扫描

    识别出来结果

    扫描大师(微信小程序,有次数限制)

    微信扫码进入

    主页

    点击拍摄, 召唤相机即可拍摄.

    OCR的识别应用还有非常多, 大家有什么好的方法可以在评论推荐一下.

  • ?

    什么是对象检测、识别与追踪

    汪秋

    展开

    文章相关引用及参考:intel

    映维网希望与大家一同探索对象检测,对象识别和对象追踪这三个术语,了解三者的定义和彼此之间的区别

    ( 映维网 2017年12月27日 )在九月底我们发表的文章《远落后于VR,AR面临三大挑战:视场、分类、自适应设计》中,映维网强调了AR的重大挑战,其中就涉及与对象检测、识别、跟踪有关的分类。得益于英特尔的分享,今天的文章中,映维网可以与大家一同探索对象检测,对象识别和对象追踪这三个术语,了解三者的定义和彼此之间的区别。

    1. 综述

    下面我们将参考字典,从而恰当地定义和判断“对象检测”,“对象识别”和“对象追踪”这三个术语。然后,我们将探索与每个流程有关的算法来支持我们的定义。

    2. “三位一体”

    “对象检测”和“对象识别”通常可以互换使用,应用的命名主要取决于编写程序的人员。“对象追踪”则常见于检测与识别算法公司。三者结合在一起能够实现更可靠的应用,但我们可能不清楚彼此的区别以及彼此的关联(对象追踪实际上只是对象识别的延伸吗?)。然而,我们可以首先参考一本标准的字典,查看与每个流程有关的算法,然后对这三者进行明确的区分。

    一个可能有用的做法是,我们可以用对象发现来替换对象检测,用对象理解来替换对象识别。显然,我们知道理解一个事物和发现这个事物有所不同。除了语义之外,我们希望知道每个流程所涉及的算法(理清算法的基本作用)。当我们理解应用特定模型或算法类型的结果时,区分术语之间的含义不仅只是词语的问题,而是一个过程和结果的问题。但词语的意义仍然十分重要,因为它们首先影响了大脑描述现实的方式。下面我们首先看看检测的标准定义。

    3. 检测

    检测算法会提出这个问题:这里“有”什么吗?

    3.1 一种发现的行为

    字典总是有助于我们理清任何一个词语的定义,尤其是程序员和工程师不常以一致方式使用的词语。《韦氏词典》将检测定义为:发现,发觉或注意到某事的行为或过程。“某事”可以是任何东西(鸟,飞机或气球)。检测的主要意义是:注意到某事存在于这里。

    对象检测的目标是注意或发现对象的存在(图像或视频帧内),为了能够判定除静态背景(更大一组的像素,大部分在帧与帧之间都保持不变)之外的一个对象(像素的一个不同子集)。但是,我们如何能从背景中辨别出一个对象呢?对于这一点,图像和视频的处理方式有所不同。

    3.2 视频与图像检测

    3.2.1 视频:这一帧中的像素有点不一样

    当某帧出现了前一帧中所没有的像素时,我们可以设计一个算法来发现这个差异,并将其登记为一个检测。注意到“以前没有但现在有了”就是检测。根据我们的上述定义,视频检测技术的例子可以包括诸如MOG(高斯混合)和absdiff(绝对差分)等背景减法(一种创建前景掩模的流行方法)。

    3.2.2 图像:对象边界

    由于照片是静态图像,因此我们不能使用动作来检测照片中的对象,我们必须依靠其他方法来解析场景。当呈现真实情景的照片时(如繁华的街道包含多个不同的和重叠的对象和表面),场景的复杂性使得我们很难对其进行解释(判定对象的边界)。边缘检测方法(例如,Canny边缘检测)可以帮助我们判定这种场景中的对象。边缘定义了对象边界,我们可以通过查看图像中颜色的变化(灰度级突变)来寻找边缘。知道边缘的位置不仅有助于检测明显的物体(如靠在灰白色墙壁上的蓝色自行车),还能正确地解释对象可能存在重叠这样稍微复杂的情况(坐在椅子上的人可以看作是两个不同的对象,而非一个大型混合对象)。

    3.3 背景减法

    与静态图像不同,视频涉及多个帧的处理,并且允许我们采用背景减法。背景减法的基本思路是:生成一个前景蒙板(图3)。我们从另一帧中减去一帧以寻找差异,亦即从当前帧(图2)减去前一帧(图1)。然后我们对差值应用阈值,从而创建包含场景中任何运动或新对象的二值图像。在下面的例子中,这个“差异”是无人机。

    图1:前一帧(背景模型)

    图2:当前帧

    图3:蒙板

    3.3.1 MOG,背景减法算法

    我们不能混淆高斯混合(MOG)与流行的方向梯度直方图(HOG,Histogram of Oriented Gradients)特征描述符。方向梯度直方图这种技术(通常与支持向量机搭配在一起)可判断对象属于“人”或“非人”。与执行分类任务的HOG不同,MOG使用高斯混合模型来减去帧之间的背景。对于检测技术,“这里”(帧之间)存在差异是关键。但是,我们主要关心的是:这个差异是“什么”(这个对象是人,还是说是机器人?)。当我们的目标是识别或分类一个对象时,这就是识别技术发挥作用的地方。

    3.4 如何获取一个检测的通知

    为了通知我们(提供某种形式的视觉提示)系统正在检测对象,所述对象周围通常会出现一个矩形或方框(颜色通常十分鲜艳)。当帧与帧之间出现变化时,算法就会大声喊:“嘿,刚刚出现(或移动)的那组像素是什么?快,在它周围画出一个绿色方框,好让人类知道我们已经发现了什么。”

    图4显示了应用程序正通过背景减法来识别对象。应用程序对这个对象一无所知,它只是单纯寻找与不同于前一帧的像素区域,寻找其中的“差异”。

    图4:应用程序利用背景剑法来检测一个兔子套装

    3.5 从一般到具体

    气体检测器是检测或感知气体存在的设备。根据设备的精度,甲烷,酒精蒸汽,丙烷和更多的化合物都有可能触发警报。金属探测器是用来发现金属的仪器。对象检测器会发现对象存在的设备,亦即一帧中像素的区域。当我们开始从一般到具体时,如从气体到甲烷,从金属到金,从对象到人,其中的含义是指:我们事先已经知道这具体的事物。这就是检测与识别的区别:检测是判断这里存在一个对象,识别则是知道这个对象是什么。我们可以将检测到的气体识别为甲烷;我们可以将检测到的金属识别为黄金;而且我们可以将一个检测到的对象识别为一个人。对象识别技术使得我们能够创建更精确的计算机视觉应用程序,可以处理对象的细节(人或灵长类动物,男性或女性,鸟类或飞机)。对于检测,这就像是说我们知道远处出现了一个(模糊)对象,而识别就像是为我们戴上了一副眼镜,我们现在可以知道这个对象实际上是一只猫,而不是一块石头。

    4. 识别

    对于识别,算法将变得更加好奇,它会问:那里有“什么”吗?

    4.1 事先已经知道某物

    韦氏词典将“识别”定义为:由于先验知识或经验而知道某人或某物是什么的行为。基于这一点,我们可以将对象识别理解为一种识别或了解(图像或视频帧中的)对象性质的过程。识别可以基于匹配,学习或模式识别算法,其目标是标注(分类)一个对象,并提出如下问题:这个对象是什么?

    识别的行为(我“知道”这个对象是一只白头鹰)不同于检测行为(我注意到那里“有”一个对象)。但算法在看到这个对象后究竟如何“知道”这就是白头鹰呢?我们是否可以“训练”算法来区分白头鹰与其他鸟类呢?也就是说编写一个可以详细说明白头鹰与其他鸟类性质的计算机程序?事实证明,我们无法有效对计算机进行如此训练(亦即提供指令),所以我们必须设计出可以自我学习的算法。

    4.2 从经验中学习的算法

    我们可以通过识别技术(足够聪明,可以判断商业客机与海鸥的区别)来进一步探测对象的性质。这种算法可以精确地对对象进行分类,因为它们已经接受了这样的训练,而我们将其称之为机器学习算法。算法获取关于某物(例如鸟类)知识的方式是通过训练数据:通过接触成千上万张不同鸟类的图像,算法可以“自我学习”,从而识别不同种类的鸟禽。机器学习算法是可行的,因为它们可以从图像中提取视觉特征。在提取视觉特征后,算法可以根据特征将一个图像(第一次出现的未知图像)与另一个图像(在训练期间“看到”的图像)相关联。如果上面的识别应用程序(图5)从未接受过任何标有“白头鹰”的图像的训练,在向其展示一只白头鹰时,应用程序将无法将对象标记为白头鹰。但应用程序可能仍然足够聪明,可以知道这个对象是一只鸟(正如图6所示,应用将最左边的对象标记为“bird(鸟)”)。

    5. 追踪

    追踪算法希望知道某物到底要去哪里。

    5.1 牢牢盯着某物

    追踪算法喜欢“死缠烂打”。这种顽强的算法会一直跟着你(假设你是目标对象),无论你走到哪里都一直跟着你。至少,这是我们所设想的理想追踪器。韦氏词典将“追踪”的动词用法定义为:跟随或观察某物或某人的路径。

    对象追踪的目标是一直观察某物(连续视频帧中对象的路径)。追踪算法通常建立在对象检测和对象识别的基础上,或者与对象检测和对象识别共同协作,然后在视频流中定位(并稳定地观察)运动对象(或一系列的运动对象)。

    系统存在对象的位置历史记录(追踪总是在处理帧与帧之间的关系),这使得我们知道对象位置会如何随着时间的推移而发生变化。这意味着我们拥有了一个对象运动的模型(提示:模型可以用于预测)。卡尔曼滤波器(一组数学方程)可用于确定对象的未来位置。通过采用一系列随时间进行的测量,这种算法提供了预测过去,现在和未来状态的方法。

    当然,预测状态有助于对象追踪。对于移动对象,我们希望可以预测其未来的状态,亦即对象的下一步行动。但是,为什么我们要这样做呢?因为对象可能会被遮挡,而且如果我们的最终目标是在帧与帧之间保持对一个对象的识别,预测对象的未来位置有助于帮助我们处理遮挡的情况。

    5.2 遮挡问题

    当你试图牢牢盯紧关注某物或某人时,遮挡可能会成为一个问题。假设我们在一条繁忙的城市街道上跟踪一个特定的行人,然后公共汽车突然之间挡住了他的身影。这时,一个强大的追踪算法就可以处理暂时的遮挡,并保持对目标人物的锁定。确保算法能够一直锁定于同一个对象,从而确保不会丢失追踪,这实际上是十分困难的挑战。即使图像中的行人不再存在(公交车的像素遮挡了行人),这个算法还是有可能预测行人的未来路径。因此,尽管有无数的障碍物可能会遮挡住我们的视线,但我们可以继续有效地跟踪这个行人。

    5.3 彼此区分但可以彼此协作的过程

    对象检测的过程可以发现这里“有”什么东西(我们称之为“对象”一个像素子集);对象识别技术可以判断这是“什么”(将对象标记为特定对象,比如说白头鹰);对象追踪则可以确保我们跟随特定对象的路径。

    准确的定义有助于我们了解这一系列的过程。结合定义和我们对所述算法的理解,我们可以进一步了解术语之间的不可替换性,亦即检测不是识别的同义词,追踪不仅只是检测的延伸。如果我们知道检测的结果(基于这个词的真正含义),我们就会知道检测算法的目标不是分类或识别一个对象,其目标只是发现这个对象的存在;我们也知道,诸如卡尔曼滤波器(可以确定对象的未来状态)这样的追踪算法不仅只是背景减法之类的扩展;识别意味着我们(总是)事先已经知道某物,而检测则恰恰相反。

    我们现在知道,区分这些术语不仅只是字词的问题,而是一个过程和结果的问题(根据所涉及算法的目标和结果)。尽管彼此不尽相同,但三者不存在哪一个优于哪一个的说法,对象检测,对象识别和对象追踪的结合通常可以创建出更先进或更强大的应用程序。每个过程(对象检测,对象识别和对象追踪)都存在自己的目标,而它们可以相互补充。但如果我们希望最终结合这三者(思索出尤为智能的算法组合),以创建出有用和可靠的计算机视觉应用程序,我们首先需要知道怎样区分它们,而这也是映维网今天向大家分享本文的主要原因。

    6. 代码示例

    为了进一步探索本文中提及的算法和技巧,请访问托管至GitHub的Intel IoT Developer Kit存储库。Face Access Control代码示例使用了来自OpenCV库的FaceDetector和FaceRecognizer类别,而Motion Heatmap则基于背景减法。

  • ?

    OCR识别相关技术原理

    盖恩斯伯勒

    展开

    喜欢就关注【港口大数据观察】

    导语:如果说算法和数据是跑车的发动机和汽油,那么系统则是变速箱,稳定而灵活的变速箱,是图像识别服务向前推进的基础。算法、数据、系统三位一体,随着算法的快速发展和数据的日益积累,系统也在高效而稳定地升级。

    一、背景介绍

    前面的系列文章分别介绍了算法和数据,如果说算法和数据是跑车的发动机和汽油,那么系统则是变速箱,稳定而灵活的变速箱,是图像识别服务向前推进的基础。算法、数据、系统三位一体,组合成完整的OCR在线服务。伴随着算法的升级和业务的持续接入,系统也经历了从单机版升级到分布式版本;从为了每个算法定制系统模块,到分离框架和算法逻辑,提高算法的运行效率和模块的可重用性;从单一的运行环境,升级到CPU/GPU异构并行。除了一般分布式系统所需要提供的功能,我们还结合算法和运维特性,增加了单点热更新和集群快照等特性。

    二、我们面临的挑战

    图像识别服务框架作为一个提供在线服务的系统,既面临一般的业务系统或平台所面临的挑战,也面临作为算法系统,需要支撑复杂算法和业务的挑战,主要表现在以下几点:

    1.高性能与高可靠

    任何在线系统都面临性能和可靠性的挑战。在我们系统中,图像识别服务作为在线服务,需要能够迅速响应并返回,并且不管在框架层还是算法层,都要保证高可用性。

    2.系统解耦&高可扩展性

    作为一个分布式的算法系统,算法模块与框架的解耦,可以使算法与后台人员更高效的同步开发,分别对算法与框架进行更新迭代。而高可扩展性,既要求框架在集群上支持资源可扩展,又要求做到单机算法的迅速接入与替换。

    3.复杂业务与算法的支撑

    随着业务的持续接入和算法的复杂化,需要在框架层灵活的支撑算法,高效的算法模块重用以及迅速适配新算法并接入新业务。

    4.不同运行环境的支持

    算法系统,尤其是图像识别算法系统,运行环境包括CPU与GPU,框架除了要支持不同环境的高效运行,也要支持不同环节运行在不同硬件环境,以保证资源合理高效的使用。

    三、我们的解决方案

    图像识别从算法研究、模型训练到规模化的提供服务,需要处理的流程比较多,我们将开发阶段主要分为如下两个阶段:

    算法研究&模型训练:

    算法人员进行算法研究、模型训练,以及业务对接。算法无需关心框架以及系统的调度,只需输出单个模块的算法SO和训练好的模型文件。

    框架开发&算法集成:

    后台开发人员进行服务框架的开发及算法SO的集成运行,即把算法研究人员研究好的算法及模型文件集成到服务框架中,提供稳定的在线图像识别服务。

    接下来将重点介绍系统的设计和实现。

    四、图像识别服务框架

    4.1 系统架构

    框架层使用Java编码,算法层采用插件化设计,可以加载jar包、so或者其他脚本,这是一个多语言的混编系统。图像识别算法一般都是计算密集型,并且一部分需要运行在GPU上,所以在算法层,我们使用CUDA C++编写so,使用JNI挂载so进行算法的执行和调度。如图1,架构上主要分为三层:接入层、框架层、算法层,再加上评测系统、存储系统、监控告警系统、日志系统等周边系统构成一套完整的图像识别服务系统。

    图1 图像识别服务框架系统构架图

    接入层:包括协议转换、参数输配和结果适配等

    框架层:图像识别服务运行的系统框架,加载运行算法SO,提供稳定的识别服务,包括

    Master:接收接入层的请求,进行请求拆分、请求调度、结果合并等Worker:实际执行算法的进程载体,主要包含算法SO/模型的加载、更新,进行算法的执行Zookeeper:存储worker心跳信息、算法映射关系、算法执行计划、算法静态/动态快照信息等ConfigServer:监听worker心跳并实时更新动态动态路由表,触发master更新路由规则及连接池算法层:算法人员提供各种算法模型及算法so

    周边系统

    评测系统:提供版本评测功能存储系统:非敏感图片及badcase存储监控告警:监控服务的运行状态,在异常时进行告警日志系统:请求日志的存储,为问题的跟踪排查提供依据框架运行时4.2 系统运行态

    本节将结合实际的OCR预测请求剖析框架的运行态。

    1) 一个OCR识别实例

    如图2,我们以STR(Scene Text Recognition,场景文字识别)为例,一个典型的使用场景为广告图片素材理解。在任务中,我们将识别图片中文字,并给出具体坐标。

    图2 一个OCR识别实例

    2) 系统运行态

    如图3,我们详细剖析上述实例在框架中的运行过程

    图3 系统运行态

    1. 业务侧的请求携带图片内容(或图片URL)、bid(标识不同的业务)及tid(标识不同算法大类)。

    2. 在master节点找到对应的算法,然后找到相应执行计划,执行计划中定义了算法的执行步骤;根据各个步骤找到相应的路由节点,master将请求拆分/打包/路由到相应的worker

    3. master将原始图片路由分发到检测子系统。检测过程运行在GPU上,算法so检测出模块中各个图片框(如图2中的“京东”、“内外真皮”等),切分好之后将结果返回给master

    4. master将检测结果拆分,并行分发到识别子系统。识别过程运行在GPU上,算法so将识别出单个图片框的文字,分别返回给master

    5. master将识别结果汇总,一起发送到重排序子系统。重排序子系统运行在CPU上,算法so将结果返回给master

    6. master将最终结果封装并返回

    每个模块在整个过程中的作用为:

    算法映射:由bid+tid映射到一个具体的子算法。相同的tid与不同的bid组合,可以支持不同业务对同类算法的定制执行计划:定义算法的执行步骤,比如图中STR图片文字识别,包含三个步骤:检测、识别和重排序动态快照:即动态路由表,定义了算法每个阶段映射到的具体节点。worker上报心跳,由ConfigServer整理生成动态路由表,由Master节点监听路由表的变更4.3 容灾与集群热更新

    热更新能力是一个系统提供可靠和稳定服务的基础功能,即可以保证系统的无损升级,又可以保障系统的容灾能力。如图4,系统主要借助zookeeper和worker的心跳机制实现集群热更新。

    图4 集群热更新

    Worker:在启动的时候与zookeeper建立临时节点维持心跳信息Configserver:监听worker在zookeeper的心跳信息,如果worker断连或重连,configserver立刻感知到并修改动态快照Master:监听zookeeper上的动态快照信息,动态快照变更立刻触发路由规则及路由连接池的更新通过这几个角色的配合,在worker节点出现异常的情况下,master迅速就完成了切换,保证了系统的稳定。这种机制也支持了集群的热更新,在需要对某个worker进行更新时,先对worker进行下线,master感知后不向此worker发请求,完成更新启动后,master再跟其重新建立连接并发送请求。

    4.4 单点热更新

    单点热更新,指的是在不重启服务的前提下,对进程内单个或多个模块进行替换升级。与其他业务系统不一样的,在算法平台下,考虑以下两种场景:

    1) 一个进程内加载了多个算法SO,需要对其中一个算法模块进行更新;

    2) 算法链上串行多个模块,需要对其中一个模块进行实验或更新。

    这两种场景下,使用集群热更新或者对进程进行重启,就有点重了,所以我们实现了一套进程内单个so的动态更新方案。通过Java代码是无法直接实现SO的动态加载的,如图4,我们引入了代理so,通过在代理so进行(dlopen,dlsym和dlclose)操作,从而达到动态加载SO的目的。同时在代理so中,我们封装了所有JNI转换和算法需要使用的接口,很好的进行了框架和算法的解耦。除了so的动态加载,我们还实现了模型的动态加载。

    图5 单点热更新

    4.5 静态快照

    通常在分布式框架中,是不需要静态快照的。但在算法系统中,我们通常需要频繁上下线一批so,而这些so会分布在不同机器不同节点上。虽然简单的通过上传/删除服务器上的本地so文件,可以触发相关进程的动态加载/卸载,但这种操作繁复,在算法复杂,一个进程加载了很多so的时候,操作容易出错。所以,这里我们需要在运维上对系统进行优化,提高系统可运维性。

    如图5,我们在动态快照的同时还引入了静态快照,静态快照由运维通过脚本或配置文件写入静态路由表,将一个集群的预期初始状态配置到zookeeper上。ConfigServer整理静态快照和worker上报的心跳信息,生成最终的动态快照。

    图6 静态快照

    这种动静态快照结合的集群快照机制相比只有动态快照在运维上会稍微复杂,但可以通过运维工具降低复杂度。动静态集群快照机制优势也很明显,第一、在复杂算法下,不容易出错;第二、可以在动态快照之余快速上下线一些算法或者更改算法流程。

    五、框架的一些思考

    我们成功地将Java与CUDA C++混编系统作为图像识别服务框架,并且支撑了众多业务。成熟稳定的框架,可以解放更多的人力用于算法开发和业务接入。依托于Java成熟的开源工具,可以迅速开发出框架和进行维护,使用Java作为框架调度层和网络层,对比传统C++框架并没有性能差异;而使用CUDA C++编写SO的方式,可以更好的适配GPU环境和深度学习框架,更高效地利用机器计算资源。当然,我们的系统还在持续进化,后续将进一步在资源利用率、调度效率、业务接入速度和运维精细化等方向继续努力。

    六、结束语

    我们推出了OCR技术系列文章总共包括了《OCR技术之检测篇》、《OCR技术之识别篇》、《OCR技术之数据篇》、《OCR技术之系统篇》等4篇文章,希望通过这些文章能够与大家一同探讨OCR领域的一些技术与应用。在后续的工作中,团队也将继续在OCR领域深耕细作,不断前行,持续提升技术水平与服务质量,为OCR技术的发展贡献微薄之力。

  • ?

    模式识别、机器学习傻傻分不清?给我三分钟!

    凝望

    展开

    全文共2568字,预计阅读时长3分钟

    说起人工智能,很多人张口就能聊个五毛一块的。从历史到未来,从图灵到马斯克,从卷积神经网络再到朴素贝叶斯……但是如果问起模式识别、机器学习有什么区别,就有不少人懵圈了:这难道不是一样东西吗?居然还有区别?

    别怕,你不是一个人。模式识别、机器学习在人工智能领域本就是傻傻分不清楚的孪生兄弟。它们之间究竟有什么渊源,又有何种联系?今天读芯君就带你来理一理这剪不断理还乱的关系。

    从发展史上来讲,这对孪生兄弟都是人工智能历史中辉煌一时的流派。其中模式识别可以归入人工智能领域的元老级别,可惜似乎已经有些过气的征兆,正在慢慢没落消亡。而机器学习则是人工智能领域最基础也是人气最高的天王级选手。

    AI元老——模式识别

    要想知道什么叫做模式识别,那就要先了解什么叫做模式。尽管我们经常把这个词语挂在嘴边,但是要想完全解释清楚,还真得耗费一番功夫。

    首先,通常意义上,模式指用来说明事物结构的主观理性形式。它是从生产经验和生活经验中经过抽象和升华提炼出来的核心知识体系。但是需要注意的是,模式并不是事物本身,而是一种存在形式。

    那什么是模式识别?它指的是,对表征事物或现象的各种形式的信息进行处理和分析,从而达到对事物或现象进行描述、辨认、分类和解释的目的。

    模式识别从十九世纪五十年代兴起,在二十世纪七八十年代风靡一时,是信息科学和人工智能的重要组成部分,主要被应用于图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等方面。尽管模式识别看起来很高大上,而且也有了较长时间的应用,但是其效果似乎总是差强人意。

    例如人类见到一个东西之后,通常就会下意识地给其归类:是动物还是植物,属于哪一门纲目属科,是否可以药用,有果实吗,花朵是否漂亮,是否有毒……这一大串归类构成了人们对于这种事物的整体认知。这就属于人类对于模式的识别,这种技能对于人们甚至是一些动物来说,是非常简单而且几乎是与生俱来的。

    但是在模式识别中,机器似乎并不如人们所预料的那样“智能”。这种经由人为提取特征后交给机器,然后让机器去判断其它事的属性的工作流程就像是按图索骥,按照这种方法,虽然有可能找到一匹真正的汗血宝马,但是也有可能找回一只满身恶臭的瘌蛤蟆。

    因为对机器来说,哪怕是分辨最简单的“0”与“O”与“o”以及“。”都要费九牛二虎之力。而这也就是为什么我们在使用一些图片转文字等软件时,发现通常经过“翻译”的文本变得错字连篇,而且有时候错的不可思议。

    尤其是目前还在大学里为论文苦苦挣扎的学生党,每当用软件转换CAJ文献或者PDF格式的材料时,时不时就会让人觉得这种人工智能简直就是“人工智障”。

    AI大众情人——机器学习

    不同于模式识别中人类主动去描述某些特征给机器,机器学习可以这样理解:机器从已知的经验数据(样本)中,通过某种特定的方法(算法),自己去寻找提炼(训练/学习)出一些规律(模型);提炼出的规律就可以用来判断一些未知的事情(预测)。

    也就是说,模式识别和机器学习的区别在于:前者喂给机器的是各种特征描述,从而让机器对未知的事物进行判断;后者喂给机器的是某一事物的海量样本,让机器通过样本来自己发现特征,最后去判断某些未知的事物。

    通俗些来说,模式识别更像是以前我们经历的填鸭式教育,老师教给学生的知识都是纸上谈兵;而机器学习则更像是读万卷书行万里路。

    从技术角度分析,机器学习一般会将人类投喂的各种样本以一种数据的形式解析。我们看到的黑色其实只是电脑中RGB都为0的三个参数,白色则是RGB都为255的三个参数。因此在机器的世界里对黑白的分辨是分外容易的。

    上图是透明的吗?请回答!

    机器根据某一事物的海量样本,总结出这一类型事物所具有的普遍规律,总结过程所使用的技能就是我们常说的算法。当足够多的样本使得算法能够总结出一套行之有效的规律后,机器就可以用这些规律对真实世界中的事件做出决策和预测。

    比如,机器通过一百万个单身狗的样本,总结出了单身狗所具有的一些属性。当下次再给一个样本时,机器就可以很快判断出这个样本究竟是不是单身狗。

    如果统计进一步细化,看一看原始样本中的单身狗都分别是多大年龄脱单,他们的脱单对象都是什么类型,那么机器就可以判断出下一个单身狗样本究竟会在十年后脱单,还是会一辈子孤单。

    说到这里,芯君有些心疼自己……

    听起来是不是有那么一点点的玄幻?不要怀疑,机器的预测肯定会比塔罗牌、星座更准,它甚至比你自己还要了解你。

    值得一提的是,在机器学习中,尽管电脑可以自行通过样本总结规律,但是依旧需要人工干预来为其提供规律总结的方向以及维度。例如色彩识别需要统计色彩的RGB或者CMYK值,但是要想总结出单身狗的特质,需要统计的就不仅仅是一两个简单的维度了。

    例如年龄的数字,身高的数字,肤色的RGB,学识的等级,还有掌握的其他技能例如撒娇、体贴、男子力、女子力,性格的归类,社交程度的评价等等。

    但是,最重要的一个参数就是脸,嗯,没错,就是我们常说的颜值。

    否则杨贵妃怎么会在“养在深闺人未识”这种其他参数一片空白的情况下,最后却能“后宫佳丽三千人,三千宠爱在一身”?不得不说,参数与参数之间也是有高低前后之分的。这种参数维度的确定以及参数重要性的评估,综合起来就是模型的建构。

    在机器学习领域有着许多不同的流派,不同流派间的算法与建构的模型也是千差万别。就像是在武林江湖中,大家都有一技之能傍身,有人是内功修行,有人是外在技术修行,虽然都是一等一的高手,但是降龙十八掌和独孤九剑则代表了不同的武学巅峰。

    最常见的两种模型分别为符号主义所使用的决策树模型和联结主义所使用的神经网络模型,每种又分别有着相应的多种算法。也就正如武林中的内功有降龙十八掌、九阳神功还有九阴真经,外在技术修行则有独孤九剑、落英神剑以及名门暗器等等。

    读芯君开扒

    尽管技术不断兴替,但无一例外的是,新技术的发展是总是建立在原有技术的基础之上。每一个新的成就都是站在巨人的肩膀上所取得的。

    尽管新的技术会不断占领潮流,但是这并不意味着旧有技术已经过时。在人工智能领域,模式识别虽然已经逐渐式微,但是它依旧有其独特的作用。例如在一些简单的色彩识别领域,参数维度相对单一,界定也相对明显,如果用大数据去建模计算,无疑是一种大才小用。闻道有先后,术业有专攻——不同的算法,可以在不同领域发挥各自的效用。

    留言 点赞 发个朋友圈

    我们一起探讨AI落地的最后一公里

    作者:王俞羽

    参考文献链接:

    http://elecfans/rengongzhineng/485519.html

    https://zhihu/question/38106452/answer/211218782

    http://blog.csdn/feichizhongwu888/article/details/52727958

    https://cnblogs/muchen/p/5434359.html#_label0

    如需转载,请后台留言,遵守转载规范

  • ?

    Windows系统识别不了USB设备怎么解决

    由尔岚

    展开

    如今在我们日常生活中USB设备随处可见(如:U盘,手机,键盘,鼠标,音响,打印机等),而我们将USB存储设备在连接到电脑时,有时候会出现无法正常识别USB设备的现象。即使是反复拔插也无济于事,这时候我们该怎么办呢?

    解决方案:

    方法1:打开进入控制面板,点击“设备管理器”或者在桌面右键“此电脑”点击“设备管理器”,在设备管理器左侧列表中查找到你的设备,右键点击“卸载”选项。然后在拔下你的USB设备再重新连接电脑,看看是否会恢复正常。

    方法2:同样打开控制面板,点击“设备管理器”或者在桌面右键“此电脑”点击“设备管理器”,在设备管理器左侧“通用串行总线控制器”列表,选中设备名称再右键点击“卸载”,该列表下的设备都依次这么操作。最后再重启电脑,系统就会自动重新安装USB控制器了。

    方法3:打开控制面板,点击“电源选项”,在当前电源计划旁点击“更改计划设置”选项。然后点击“更改高级电源设置”选项,就可以弹出以下窗口。

    你需要做的是展开“USB设置”列表,并把“USB选择性暂停设置”设置为“禁用”状态。设置完毕后直接按下“确定”键即可,以上就是我们在Windows系统中遇到识别不了USB设备的解决方法大家快去试试吧。如果 以上操作均无法解决建议大家更换我们系统之城的操作系统哦,最新Win10系统等着你哦。

    写在最后

    学习是一种态度,分享是一种乐趣!

    如果觉得我们的作品不错,请为我们点赞!

    如果觉得本资讯有用或能帮助到更多的人学习,请分享到朋友圈!

    你的支持,是我们不断进步的动力!

    文章推荐

    Windows10系统彻底关闭烦人小娜与彻底关闭小娜进程的方法

    Windows 10不用工具查看电脑配置和系统是32位还是64位的方法

    Windows 10系统升级后的windows.old如何删除?

  • ?

    教你怎么识别一清机和二清机

    Lin

    展开

    POS机,每天消费时基本都会用到,但POS机一清机、二清机你知道是什么不吗?经常刷二清机,小心降额或者封卡哦!一清与二清是指市场通俗称法,简单的说,一清,指一次清算;二清,指二次清算。一清是银行或支付公司直接对接商户;二清是指支付公司或银行先将POS机的结算款支付给某一个人或某一家公司,再由这家公司或个人结算给商户。

    所以,一般称银联、银行或已经具有收单资质(获得人行颁发的第三方支付牌照)的机构清算为一清,个人或未取得收单资质的公司清算为二清。二清机,大多存在一定风险。

    还没看懂吗?没关系!下面这张图让你秒懂!

    相信大家都看到目前POS机市场的乱象丛生,鱼目混珠,吃过苦头的朋友更是不少。朋友您在安装POS机之前最关心的重大问题我想应该是“资金安不安全?”,“**平台是不是一清机?”。可是到百度上面搜一下“什么是一清POS机”,此时会有很多答案,公说公有理,婆说婆有理,更有某二清支付平台通过注册多个水军号进行扮演式灌水,糊弄不知情的广大商户朋友,虽然结果都类似,但资金安全潜在大隐患,不过我们仍然可以通过细节来认清:

    1、清算模式明分辨

    一清机:全称为“一次性清算机具”,资金清算途径如下:

    消费者刷卡(款额) —————→ 人行清算中心(清算分配) —————→ 收款帐户(到帐)

    从以上资金清算途径我们不难看出,自消费者刷卡后,钱是直接到人民银行清算中心,由人行清算中心进行清结算,后由人行清算中心直接分配到收款帐户。过程只有人行清算中心的一次性清结算,因此叫一清机。

    二清机:全称为“二次性清算机具”,资金清算途径如下:

    消费者刷卡(款额) ———→ 人行清算中心 ———→ 第三方帐户 ———→ 收款帐户(到帐)

    从以上资金清算途径相信大家现在心里明白,自消费者刷卡后,钱先是到达人行清算中心,经过人行第一次清结算后,到第三方帐户,由第三方帐户转手做第二次清结算,再转帐到收款帐户,整个过程进行两次清结算转帐,因此叫二清机。

    透过这个过程大家也就明白,一清机的资金途径中由人行进行一次性清结算。二清机的资金途径中包含两次清结算,有了第三方帐户的介入,而且这第三方帐户可以是公司,或者是个人,这难道不是为你的资金埋下一个不定时炸弹吗?也许你现在手上欣然使用着的POS机就是人家申请多个下来,再低价转租、转卖给你的,可这真相在哪里,怎么分辨识别呢?咱们接着往下看。

    2、火眼金睛巧识别

    上面说到一清机、二清机的资金清算途径,可上哪能查到这资金流动途径呢?哪家银行提供这样的查询系统吗?柜台能查到吗?直接这么回答:查不到,能查到的话,POS机市场早就不是这么乱了。那究竟您手上的POS机是几清机呢,该怎么办呢?嘿嘿看吧,通过以下几个方法,谜底咱们一起来揭开。

    方法一:分配后台系统

    请问您装机后,是否获得由平台提供的独立后台系统,可供您上网查询入帐明细呢?如果没有提供后台系统,可以说就是二清机了,别人第三方不可能把自己的后台系统给你来用,不可能将所有明细隐私都让你一目了然。

    方法二:核对收银小票

    刷卡后打印出来的收银小票上,商户名一项仔细核查:对公帐户必须是你的公司机构名。若是个体户做对私帐户的情况下,商户名一般显示“个体户**”(**为您的姓名全称),否则,如果是二清机却显示一个令你感觉完全陌生的或者毫不知情的机构名称或者个体私户姓名。给大家举个案列:

    通过麦当劳刷卡小票教你看懂一清机和二清机

    机器是不是正规的,属于哪个支付公司的,是一清还是二清,其实只用看刷卡小票就非常明了了,这里我先出示最近在麦当劳买汉堡的刷卡小票。

    大家先看图右侧,是在麦当劳消费的小票,最上面写银联商务特约商户pos签购单,这说明这个机器使用的通道是银联商务的,但是再往下看,商户号前三位是102,而且收单行上显示中国工商银行。这是什么意思呢?

    102是中国工商银行的代码,收单行也明确写明了中国工商银行,因为13年起中国规范了支付行业,必须持有支付牌照的公司才有资格从事pos收单业务,才可以直接连银联通道,但是中国工商银行没有牌照的,所以他租用的是银联商务的通道,做的二清结算。现在大家去银行办理的机器,基本上银行是给有牌照的支付公司外包办理的,银行代办pos机没有什么利润的,但是可以提出存款等额外的要求,还有一些客户经理可以向支付公司合作代理商提出分润要求。所以现在很多银行都高签手续费,或者按标准费率扣手续费,但是把账单设定成民生类,这样客户经理可以多赚取手续费。因此现在才会出现很多餐饮娱乐等高费率行业刷出的账单却显示某某超市。

    下面再看左边是瑞银信第三方支付公司的小票,商户编号是887开头的,887是瑞银信的代码,收单行上写4887...所有收单行代码都是要加4的,4后面3位是收单机构代码。小票上商户编号8-11位是行业代码,左边瑞银信是通讯行业,行业代码是4814,右边麦当劳是餐厅行业,行业代码是5814.大家办pos机看代码前三位和8-11位基本上就知道自己办理的机器是不是正规的,什么行业。

    现在很多人问我是不是一清就丢一个网银转账记录我看,真的没必要看这个,很多二清公司都会说你看,网银记录上显示银联代付,或者显示某某一清公司的名字来证明自己是一清,这的确是一清,但是没什么鸟用,关键还是看有没有牌照。二清公司可以委托一清结算看,但是也可以随时自己结算,二清公司有很多违规操作,会被银联罚款,很多一清公司找租用自己通道的二清公司讨要罚款,如果迟迟不给就直接冻结资金,还有些严重违规行为,被银联发现直接冻结资金,所以二清不到账频频发生,所以不要老丢网银账单问我是不是正规一清,没必要,查询牌照就可以了。

    方法三:核对到帐时间。

    中国银联随行付标准到帐模式为“T1”模式,即“次日到帐”模式,与股票买卖、跨行转帐的结算方式一致,若遇周末刷卡,得到周一人行上班才到帐。若遇国家法定假日则顺延,直到人行上班才进行清算分配。这样下来,目前市场上某些打着T0模式当天到帐,或者某些到帐要两天、三天甚至四天的朋友,您可得仔细辩认下,小资金没风险,大资金进出的,说不定哪天您的钱就不是您的钱了,市场上这类事情已是屡有发生,却找不知道往哪里找。

    通过以上三种方法,直相大白,赶紧的手上拥有POS机的朋友们,赶紧对照以上方法,仔细核对自己的POS机究竟是不是一清机,如果是一清机的,恭喜您可以放心使用。如果不是的话,一般二清都是打着低费率,低价格的浅表优势,诱导用户装机,更有甚者打着不用任何手续,只需身份证即可申请的旗号,大肆宣传,孰不知今天您高高兴兴地办理的便宜拣了个大实惠,内里却潜在着有可能一夜让您倾家荡产的巨大风险。

    道理很浅显,POS机就是银联为扩大、规范消费市场而经国家许可推行的一种消费收款工具,只针对商户布设,岂有个人光凭个身份证就可办理的?申请个信用卡都要那么多程序审批,申请个POS机却那么容易,政府就不怕洗黑钱啦!希望透过此文,让大家懂得分辨,理智规避风险。

    最后小编总结一下,POS机既要好用,又要资金安全,在选择一个POS机品牌之前,要做以下几件事情,第一,百度中国人民银行,进官网,用鼠标拖到最下面,右下角有个政务公开,依次点【行政执法信息】——【行政审批公示】——【已获许可机构】点进去后,可以看到第一个是支付宝公司,点进去,里面有详细信息,主要看业务类型里面有没有银行卡收单(即POS机业务),有,代表可以做POS机业务,放心使用。没有是不可以做的,做了违规。第二,百度企业信用信息查询系统,查看企业具体信息,看看公司实力,一般注册资金有1亿,向中国人民银行交了1亿保证金,可想而知,公司有实力,有保障。好了今天就给大家分享到这里。

  • ?

    如何识别出用户真正的需求?

    暧昧

    展开

    做产品,绕不开「需求」二字。很多产品从0到1需要团队付出很多努力,但如果在把握用户需求的时候出了错误,再好的团队、再牛的执行力、再牛逼的技术也阻止不了项目的失败,所以,分辨用户需求就成了产品的关键。

    需求有「真需求」,也有「伪需求」,「真需求」可以实现用户的强关联,从而实现产品的稳定增长,而「伪需求」要么无法获得用户,要么昙花一现。比如魔漫相机,超级课程表这类曾经的「现象级」产品,在短暂的疯狂后迅速被用户抛弃,其实都是因为没有正确识别用户需求。

    那么,如何找到买家真正的需求呢?

    ▌思维工具——「黄金圈法则」

    「黄金圈法则」是西蒙·斯涅克在《从为什么开始》中提出的一种思维方法。

    他用三个同心圆来描述人的思维模式,黄金圈从外到内依次是:做什么(what)、怎么做(how)以及为什么(why)。

    思维模式处在最外层的人,他们知道自己想要做什么,但很少去思考怎么做才更好;

    处在中间层的人知道如何更好地去完成任务和目标,却很少思考做这件事情的原因;

    而处在最中心圈的人则是以「为什么」为出发点,他们拥有内在动机,能够实现自我激励,而只有这样的人才能成为伟大的领导者,才能激励和影响到身边的人。

    黄金圈思维可以让人们穿破事物的现象,看到事物的本质,从而做出最佳决策。

    它不仅可以用于自我激励和成长,同时也可以应用于营销、管理与沟通等领域,而我们今天要重点讨论如何用它来识别真需求及伪需求。

    ▌分辨用户需求的「黄金圈」模型

    what(用户反馈)、how(用户行为)、why(真正的需求);

    用户告诉你的需求是what,比如你通过问卷调查或者买家评价与反馈所收集到的信息等。

    用户表现出来的需求是how,即用户在使用产品、选择产品时的动作和结果,它可以对用户的需求进行行动表达上的证伪。

    用户内心真正的需求是why,即用户一系列动作背后的原因,为什么要使用该产品而不使用其他产品等。

    通过这三个层面,我们可以发现需求、验证需求,进一步挖掘需求,最终识别出用户真正的消费动机,从而找到有效的解决方案。这三个步骤形成了一个「需求验证漏斗」:

    ▌在「what」层发现需求

    what层面是用户评价和用户痛点,它让你「发现可能的机会」,但这个机会不一定会形成需求。

    比如你要做零售产品创新,那就可以直接去淘宝,看同类产品的买家评价。尤其是差评,就是等待你解决的「痛点」。

    身边的朋友都抱怨淘宝上买东西经常要找好半天,找不到自己喜欢的,那么「产品多、筛选难」就是个待解决的「痛点」;

    隔壁养金毛狗的女孩经常抱怨狗粮太重快递又不送上楼,减肥成功的男士原来的衣服都不合身了,这些我们平时很容易发现的抱怨类的信息,就是用户使用产品过程中的痛点,也都有可能成为新产品的机会。

    发现机会,并不代表我们要立刻开始寻求解决方案,因为需求可能只是伪需求,或者根本就不具备任何可行性。

    ① 需求本身是「伪需求」,用户对问题表述「错误」或者缺乏对解决方案的「想象力」。

    就像乔布斯说的那样:「不要问客户他需要什么,因为他们根本不知道。」在平板电脑出来之前,用户并不知道自己需要一台完全没有键盘的电脑。

    ② 项目不具备可行性

    比如消费人群不够大,对这类「硬造性场景」感兴趣的都是小众,无法落实到真实的大众生活里去,产品无法扎根;就像现在的O2O上门服务,大多都是伪需求,上门洗车、上门美容都属于这一类,消费频次太低,而且家对于多数人来说是个非常私密的地方,并不希望陌生人到访。

    ▌观察「how」验证需求

    What层面会呈现出的「需求」,我们并不能马上开始基于这个层面去寻求解决方案,而是要通过「how」来进行进一步验证。

    「how」就是「用户行为」。用户反馈可以说谎,但行动不会。

    一个女生说我选老公的标准是:这个人要孝顺,帅气,结果她选择了一个有钱人;

    一个男生说我选择老婆的标准是:要善良,结果他选择了一个漂亮身材好的人;

    小岛居民经常说他们讨厌穿鞋子,因为鞋子会经常进沙子,但实际上他们依然在穿鞋。

    也就是说,用户经常「说一套、做一套」。

    比如你问用户喜欢什么颜色,十个人中可能有五个告诉你他喜欢绿色,但如果你真的生产一堆绿帽子然后就没有然后了。

    还有我们一开始提到的「魔漫相机」,你如果采访用户的话,十个人可能有八个告诉你他非常喜欢这个应用,但实际上他们玩一次之后就把它抛弃了,因为「烂大街」了,用户只是在跟风,他本身根本没有这个需求。

    因此,判断需求不能只是听用户怎么说(what),一定要通过看他怎么做(how)来验证。

    那如果验证了之后发现用户「言行不一」,是不是需求就不存在了呢?也不是,我们要跳出用户的思维,从主动的角度,也就是「why」这个角度去挖掘用户的真正需求,开发解决方案。

    ▌在「why」层挖掘真实需求

    Why是用户反馈及用户行动背后的原因,找到这个原因,才能最终验证需求是否是真需求,也决定了用户最后是否会为你的解决方案买单。

    我们先拿「小岛居民的鞋子」来举例:

    小岛居民鞋子很容易进沙子,这就是一个痛点,也就是what层面的需求。

    如果要解决这一痛点,是不是就提倡大家不穿鞋呢?这要从how这个层面来判断,也就是用户如何表现,结果发现虽然鞋里经常进沙子,大家依然在穿鞋。

    最后经过调查我们发现,沙滩里面有很多碎贝壳,不穿鞋会划伤脚,所以,「不能划伤脚」比起「进沙子」的需求显然是更为迫切,因此,用户的真实需求是「舒适地行走在沙滩上」,那么解决方案不是提倡大家「不穿鞋」,而是提供一双舒适的、不会积沙的鞋子。

    再说一个我身边一位朋友创业的真实案例:

    朋友安妮是个喜欢喝奶茶的女孩子,她几乎每天都要喝上一杯。在某天和同事讨论奶茶的时候,她们开始吐槽奶茶的各种不好,尤其是「不健康」,奶茶的主要成分是植脂末和茶粉、淀粉,不仅不健康,而且容易长胖。安妮上网搜索了一下相关信息,发现很多买家都对奶茶的不健康有所担心。

    于是,安妮决定开个店铺,专门做「健康的奶茶」。

    但实际上她的店铺开张后生意却非常冷清,除了一开始有些熟人会过去捧场,大多数时间店里都是门可罗雀。

    安妮的奶茶确实做到了健康,完全用纯牛奶和新鲜的茶叶冲泡,糖都是用的上等的果糖。

    但为什么大家现在反而不喝呢?

    因为「需求」把握错误。

    消费者在抱怨奶茶不健康的时候,他不是想要健康的奶茶,而是想要口味不变、价格不变、包装漂亮、环境舒适的情况下,更为健康的奶茶。

    我们如果再向why层面进行探索,就会发现问题的实质:

    为什么大家要喝奶茶,如果想要追求健康,为什么不是果汁、酸奶、牛奶、咖啡?

    因为奶茶好喝,口感丰富、有层次、有趣味,这是其他饮品无法比拟的。

    到此为止,我们会发现,用户的真实需求其实是「好喝而有趣的饮料」。

    对于大多数饮食类产品,口味绝对是第一位的,牺牲口味而满足用户的其他需求一概是伪需求。

    在「七宗罪」中有一条是「贪食」,喜欢美味的食物是人的天性,大多数人只有在真的生病之后才会在乎健康,在这之前,他愿意为了绝妙的口感冒第二天中风的危险。

    由此可见,由发现需求到验证需求,是要经历「how」层面直接的验证,同时追索到「why」层面进行分析才能最终确认。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。