計算機視覺的發(fā)展演進

我們可以輕松地在日常產(chǎn)品中找到計算機視覺技術(shù)的應用，從可以識別手勢的游戲機到可以自動聚焦于人臉的智能手機攝像頭。如今，計算機視覺正在影響我們生活的許多領(lǐng)域。

實際上，計算機視覺在商業(yè)和政府使用中已有悠久的歷史。可以感測各種光譜范圍內(nèi)的光波的光學傳感器已在許多應用中部署：像制造中的產(chǎn)品質(zhì)量檢測，用于環(huán)境管理的遙感或在戰(zhàn)場上收集情報的高分辨率相機。這些傳感器中的一些是固定的，而另一些則附著在移動的物體上，例如衛(wèi)星、無人機和車輛。

過去，這些計算機視覺應用中有許多都限于某些封閉的平臺。但是，當與IP連接技術(shù)結(jié)合使用時，它們會創(chuàng)建一套以前無法實現(xiàn)的新應用。計算機視覺，再加上IP連接性、高級數(shù)據(jù)分析和人工智能，將成為彼此的催化劑，從而引發(fā)物聯(lián)網(wǎng)（IoT）創(chuàng)新和應用的革命性飛躍。

推動計算機視覺的多個領(lǐng)域的進步

專為視覺設(shè)計的環(huán)境

視力或視覺是人類五種感官中最發(fā)達的。我們每天都使用它來認識我們的朋友、發(fā)現(xiàn)前進道路上的障礙、完成任務并學習新事物。我們設(shè)計視覺環(huán)境的物理環(huán)境，有路標和信號燈可以幫助我們從一個地方到達另一個地方；商店有標牌來幫助我們找到它們；電腦和電視屏幕顯示我們消費的信息和娛樂。考慮到視覺的重要性，將其擴展到計算機和自動化領(lǐng)域并不是一個大飛躍。

什么是計算機視覺？

計算機視覺始于捕獲和存儲圖像或一組圖像的技術(shù)，然后將這些圖像轉(zhuǎn)換為可以進一步作用的信息。它由多種技術(shù)共同組成。計算機視覺工程是一個跨學科領(lǐng)域，需要許多這些技術(shù)的跨功能和系統(tǒng)專業(yè)知識。

例如，Microsoft Kinect使用3D計算機圖形算法來使計算機視覺能夠分析和理解三維場景。它允許游戲開發(fā)人員將實時的全身運動捕捉與人工3D環(huán)境合并。除了游戲以外，這還在機器人技術(shù)、虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）應用等領(lǐng)域開辟了新的可能性。

傳感器技術(shù)的進步也在許多方面超越了傳統(tǒng)的相機傳感器而迅速發(fā)展。最近的一些例子包括：

紅外傳感器和激光結(jié)合起來可感應深度和距離，這是自動駕駛汽車和3D映射應用的關(guān)鍵推動力之一

非侵入式傳感器，無需物理接觸即可跟蹤醫(yī)療患者的生命體征

高頻攝像頭可以捕捉人眼無法察覺的細微動作，幫助運動員分析步態(tài)

超低功耗和低成本視覺傳感器，可以長時間部署在任何地方

計算機視覺變得智能

早期應用

監(jiān)控行業(yè)是圖像處理技術(shù)和視頻分析的較早采用者之一。視頻分析是計算機視覺的一種特殊用例，其重點是從數(shù)小時的錄像中查找模式。在現(xiàn)實世界中自動檢測和識別預定義模式的能力代表著數(shù)百個用例的巨大市場機會。

首批視頻分析工具使用手工算法來識別圖像和視頻中的特定功能。它們在實驗室設(shè)置和模擬環(huán)境中都是準確的。但是，當輸入數(shù)據(jù)（例如光照條件和攝像機視圖）偏離設(shè)計假設(shè)時，性能會迅速下降。

研究人員和工程師花了很多年時間開發(fā)和調(diào)整算法，或者提出新的算法來應對不同的條件。但是，使用這些算法的攝像機或錄像機仍然不夠堅固。盡管這些年來取得了一些漸進的進步，但現(xiàn)實世界的糟糕表現(xiàn)限制了該技術(shù)的實用性和采用性。

深度學習突破

近年來，深度學習算法的出現(xiàn)重新激發(fā)了計算機視覺。深度學習使用模仿人類大腦神經(jīng)元的人工神經(jīng)網(wǎng)絡（ANN）算法。

從2010年代初開始，通過圖形處理單元（GPU）加速的計算機性能已經(jīng)變得足夠強大，足以讓研究人員實現(xiàn)復雜的人工神經(jīng)網(wǎng)絡的功能。此外，部分地受視頻站點和流行的IoT設(shè)備驅(qū)動，研究人員擁有龐大的視頻和圖像數(shù)據(jù)庫來訓練他們的神經(jīng)網(wǎng)絡。

2012年，一種稱為卷積神經(jīng)網(wǎng)絡（CNN）的深度神經(jīng)網(wǎng)絡（DNN）版本在準確性上實現(xiàn)了巨大飛躍。這一發(fā)展帶動了人們對計算機視覺工程領(lǐng)域的興趣和興奮。現(xiàn)在，在需要圖像分類和面部識別的應用中，深度學習算法甚至超過了人類。更重要的是，就像人類一樣，這些算法具有學習和適應不同條件的能力。

隨著深度學習的發(fā)展，我們正在進入認知技術(shù)的時代，其中計算機視覺和深度學習融合在一起，以解決人腦領(lǐng)域中的高級復雜問題。我們只是在探索一切可能的事物。隨著更快的處理器，更先進的機器學習算法以及與邊緣設(shè)備的更深入集成，這些系統(tǒng)將繼續(xù)得到改善。計算機視覺將徹底改變物聯(lián)網(wǎng)。

用例增加

其他有趣的用例包括：

監(jiān)控作物健康的農(nóng)業(yè)無人機

運輸基礎(chǔ)設(shè)施管理

無人機檢查

下一代家庭安全攝像頭

這些只是計算機視覺如何在許多領(lǐng)域極大地提高生產(chǎn)力的一些小例子。我們正在進入物聯(lián)網(wǎng)發(fā)展的下一階段。在第一階段，我們專注于連接設(shè)備，聚合數(shù)據(jù)和構(gòu)建大數(shù)據(jù)平臺。在第二階段，重點將轉(zhuǎn)移到通過計算機視覺和深度學習等技術(shù)使“事物”更加智能，生成更多可操作的數(shù)據(jù)。

挑戰(zhàn)

在讓計算機視覺技術(shù)對大眾更實用和更經(jīng)濟時，有許多問題需要克服：

嵌入式平臺需要集成深度神經(jīng)設(shè)計。由于功耗、成本、準確性和靈活性，很難做出設(shè)計決定。

業(yè)界需要標準化，以允許智能設(shè)備和系統(tǒng)相互通信并共享元數(shù)據(jù)。

系統(tǒng)不再是數(shù)據(jù)的被動收集器。他們需要以最少的人工干預就數(shù)據(jù)采取行動。他們需要自己學習和即興創(chuàng)作。整個軟件/固件更新過程在機器學習時代具有新的意義。

黑客可以利用計算機視覺和AI中的新安全漏洞。設(shè)計師需要考慮到這一點。

總結(jié)

在這篇文章中，我們簡要介紹了計算機視覺以及它如何成為許多連接的設(shè)備和應用的關(guān)鍵組成部分。最重要的是，我們預測了該技術(shù)的爆炸式增長，并列舉了實際應用中的一些障礙。在下一系列文章中，我們將探索新的框架，最佳實踐和設(shè)計方法，以克服一些挑戰(zhàn)。
責任編輯：tzh