建议还是多研究一下多MIC 声音定位及双摄像头识别。声音定位及音阶研究。双摄像头转三维空间

这两个是基础研究领域，如果有一定成果，将会产生很多应用，到时钱就不是问题了。
这两个领域是人工智能必须跨越的障碍。

你用的是单图像吧。
用双图像，进行解析，然后根据数据在电脑中生成3维虚拟立体空间、立体物体，就把自然空间数据化了，可以轻易进行空间运算，然后决策或判断。
这种技术初期可以将家庭环境进行虚拟数字转换，在电脑上可以像玩3d游戏一样穿梭在自己的几个屋子中。还可以将城市实景虚拟进电脑，
这种转换根据两眼距离一定（3角形底边），根据视角变化确定图像的远近。可用三角函数求得，也可根据常量参照求得。刘红石的网站上有立体原理及图像资源。
刘红石作品
如果这两幅图编程都通过不了，何谈智能？


你用的是单图像吧。
用双图像，进行解析，然后根据数据在电脑中生成3维虚拟立体空间、立体物体，就把自然空间数据化了，可以轻易进行空间运算，然后决策或判断。
这种技术初期可以将家庭环境进行虚拟数字转换，在电脑上可以像玩3d游戏一样穿梭在自己的几个屋子中。还可以将城市实景虚拟进电脑，
这种转换根据两眼距离一定（3角形底边），根据视角变化确定图像的远近。可用三角函数求得，也可根据常量参照求得。刘红石的网站上有立体原理及图像资源。

这应该不难

http://www.tudou.com/programs/view/HyiuDdSQ49o/
57分开始看

单幅图像可以根据透视原理估算距离，就如同我们估算照片中两个物体距离一样。
就如同独眼龙生活基本正常一样。

取得3维空间及物体以后，应该是物体属性的完善，这些属性应该是根据逻辑自行添加修改的。这有助于语言的完成：语言的名词就是物体的名称。但是物体的行为变化应该是动词，这个不知在物体属性中应该怎样实现。
语言的构成折射出大脑处理物体的逻辑。耳朵是为配合语言产生的。十聋九哑就是这个道理。哪种语言都有名词、动词、形容词，程序中应该有一个语言驱动机构，对物体属性组织后输出及对输入的解析。
智能还需加入时间轴，在时间轴上记录曾经关注过的物体。形成记忆。时间不是第四维空间，是智能逻辑的需要。时间如果是空间的一维，那么构成宇宙的物质是有时间的，显然不对。
终于不需要验证码了

如果你完成了立体物体的取得，为什么不开发手机应用，用摄像头转换自己的3d虚拟影像？让手机里保存自己的3D虚拟影像应该是很好玩的事情，就如同tOM猫一样？

双摄像头还需要由工厂制作出类似眼睛转动的摄像头，转动角度是计算3维空间的重要参数。
伺服系统自动把目标物聚焦于视像中心。这个就是眼睛把目标物聚焦于黄斑的过程。