1. 人工智能脸部识别。除了这两个还有哪些未来纳米技术

人工智能的行业方向主要分为搜索、图像处理、计算机视觉、模式识别和图像处理等，搜索方向如网络、谷歌、微软等，包括智能搜索、语音搜索、图片搜素、视频搜索等。图像处理如医学的图像处理，医疗设备、医疗器械都会涉及到图像处理和成像。
人工智能是需要人力、脑力、开发、高等技术与不断的研究和尝试等等一系列超高难度的作业才能完成的科技产品。当然这种研究是得到国家和人们大力支持的发展。它的发展对国际影响力是非常大的。人工智能也可以定义为高仿人类，虽然不可能会像人一样具有灵敏的反应和思考能力，但人工智能是按照人类的思想结构等等的探索而开发的研究。
人工智能的开发最主要的目的就是为了替人类做复杂、有危险难度、重复枯燥等的工作，所以人工智能是以人类的结构来设计开发的，人工智能在得到较好的开发后国家也是全力给予支持。人工智能的开发主要也是为了帮助和便利人类的生活。所以人工智能的定义一直以来都是以“协助人类”而存在的。人工智能概念的火热促进了不少行业的兴起，比如域名，许多相关的.top域名已经被注册。
以后可能在很多传统行业，比如银行，会有人工智能帮你得到更好的收益。信用卡或其他的贷款会由人工智能来决定哪些人士可以安全地放贷，而且会还钱。然后再往下人工智能可以开始动了，就可以进入工业机器人、商业机器人，终进入家庭机器人。

2. 图片相似度检索

介个课题应该是比较有难度挑战的。毕竟人工智能的水平没有这么发达。
现在的搜索引擎上面，“图片搜索”实际上是“图片解说文字搜索”，离真正的图像相似检索，还差得远呢。

你的这一串数字应该是两个图像的不同特征数字吧，比如颜色，轮廓，名称等等，你滴数字长度很长，复杂的算法也不现实。
可以分段求相关系数，具体可以参考概率统计里边相关系数的概念，下面是matlab指令的corrcoef的效果
A =

1 2 3 4 5 6 7 8 9 10

>> B

B =

1.0000 2.0000 2.9000 4.0000 5.0000 6.2000 7.0000 8.0000 9.0000 10.0000

>> C=corrcoef(A,B)

C =

1.0000 0.9997
0.9997 1.0000

求相关系数，具体实现的时候可以有简化或快速算法，这都可以仔细斟酌的。

3. 人工智能技术有哪些

.top域名给你解答：目前人工智能行业的就业方向主要分为搜索、图像处理、计算回机视觉、模式识答别和图像处理等，搜索方向如网络、谷歌、微软等，包括智能搜索、语音搜索、图片搜素、视频搜索等。图像处理如医学的图像处理，医疗设备、医疗器械都会涉及到图像处理和成像。

4. 百度图片搜索引擎原理是如何实现的

图片搜索的原理有三个步骤
1. 将目标图片进行特征提取，描述图像的算法很多，用的比较多的是：SIFT描述子，指纹算法函数，bundling features算法，hash function（散列函数）等。也可以根据不同的图像，设计不同的算法，比如图像局部N阶矩的方法提取图像特征。
2. 将图像特征信息进行编码，并将海量图像编码做查找表。对于目标图像，可以对分辨率较大的图像进行降采样，减少运算量后在进行图像特征提取和编码处理。
3. 相似度匹配运算：利用目标图像的编码值，在图像搜索引擎中的图像数据库进行全局或是局部的相似度计算；根据所需要的鲁棒性，设定阈值，然后将相似度高的图片预保留下来；最后应该还有一步筛选最佳匹配图片，这个应该还是用到特征检测算法。
其中每个步骤都有很多算法研究，围绕数学，统计学，图像编码，信号处理等理论进行研究。

根据Neal Krawetz博士的解释，原理非常简单易懂。我们可以用一个快速算法，就达到基本的效果。
这里的关键技术叫做"感知哈希算法"（Perceptual hash algorithm），它的作用是对每张图片生成一个"指纹"（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。下面是一个最简单的实现：
第一步，缩小尺寸。
将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
第二步，简化色彩。
将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。
第三步，计算平均值。
计算所有64个像素的灰度平均值。
第四步，比较像素的灰度。
将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。
第五步，计算哈希值。
将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。
得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。在理论上，这等同于计算"汉明距离"（Hammingdistance）。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。
具体的代码实现，可以参见Wote用python语言写的imgHash.py。代码很短，只有53行。使用的时候，第一个参数是基准图片，第二个参数是用来比较的其他图片所在的目录，返回结果是两张图片之间不相同的数据位数量（汉明距离）。
这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。
实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。

5. 关于人工智能与搜索引擎

实际你的问题抄主要就是集中在图像识别上。如果程序能从图像中获取有用信息，那程序人工智能就能解决人眼的问题，但目前处理图像的程序好像只有人脸识别、指纹识别、手写体识别等简单的识别，你看，如果囊括到世间万物，都要让电脑来识别，是不是很难。我想至少用以上三种的建模思维是解决不了这个问题的。
再者，如果真能从图片中提取了信息，那么这个信息用什么语言表示（是否是自然语言），一幅图包含的信息是无限的，自然人也只能根据生活经验提取几个简单的信息。所以，如果电脑真能提取信息，那其又怎能知道你要的是哪方面的信息呢？
这是本人对这方面的一个认识，我并不是否人这种功能不能实现，但个人感觉目前难度太大

6. 人工智能是如何提高图像的识别准确率的

你说的人工智能 应该指的是深度学习框架
而且是相对过去的技术

深度学习如何提回高图像答识别率，主要是因为特征选择已经不需要做了，以前图像处理都是用某个算法先抽取图片里的特征， 然后再用算法分析，现在深度学习是一体了，自动抽取，所以有时候 识别的角度未必是图片上的某些元素，而是你想象不到的地方

7. 人工智能在技术上的运用都有哪些

.top域名给你解答，目前人工智能的技术应用主要分为搜索、图像处理、计算机视觉、模式专识别和图像属处理等，搜索方向如网络、谷歌、微软等，包括智能搜索、语音搜索、图片搜素、视频搜索等。图像处理如医学的图像处理，医疗设备、医疗器械都会涉及到图像处理和成像。

8. 关于计算机人工智能图像识别入门书籍

先看看《数字图像处理》，中文或者外文的都可以，然后看看《神经网络》、《有限元分析》等。