計算機視覺技術的含義

由于“計算機視覺”反映了對視覺環境及其上下文的相對理解，因此，一些科學家認為，該領域為人工智能領域鋪平了道路。那么什么是計算機視覺呢？

根據Ballard＆Brown（1982年）的說法，“從圖像中構造出對物理對象的明確而有意義的描述。

根據Trucco＆Verri（1998年）的說法，計算機視覺是3D世界中一幅或多幅數字圖像的計算屬性的集合。

根據Sockman＆Shapiro的說法，2001年的計算機視覺是基于感知到的圖像對實際物理對象和場景做出有用決策的過程。

計算機視覺技術的應用

從計算機視覺領域可以衍生出大量有用的應用程序。下面是計算機視覺應用程序的一些用途：

游戲和控制：在游戲領域使用立體視覺的一個有影響力的商業產品是微軟的Kinect。

圖像檢索：谷歌圖像利用基于內容的查詢來搜索相關的圖像。它們的算法分析查詢圖像中的內容，然后根據最匹配的內容返回結果。

生物特征識別：虹膜、指紋和人臉匹配是利用計算機視覺技術進行生物特征識別的常用方法。

監視：監控攝像頭在許多公共場所，主要用于檢測任何可疑行為。

人臉識別： Snapchat和Facebook等應用程序利用人臉檢測算法來應用濾鏡并識別照片中的人物。

智能汽車：視覺是這些汽車檢測交通信號，燈光和其他視覺參數等多種元素的主要信息來源。

各種類型的計算機視覺技術

看到了計算機視覺技術的好處之后，現在讓我們看一下在主要的互聯網領域如何使用計算機視覺的一些技術。

對象檢測

對象檢測是定義圖像中存在的對象，對其進行標記并輸出邊界框的過程。計算機在這里試圖對多個對象進行分類，而不只是對一個進行分類。想象一個裝滿貨物的倉庫。如果倉庫中有很多物品，那么手動計算所有物品將是非常耗時的工作。相反，如果有一臺配備了攝像頭的機器人或計算機可以檢測所有物體并對其進行跟蹤，則此過程將節省大量時間，從而提高工作效率。

圖像分類

圖像分類也許是最流行的計算機視覺技術之一。此處需要解決的最大問題之一是：假設中有許多圖像，任務是預測一組測試圖像的類別，以確定圖像的準確性。預測。這里有許多問題需要克服，例如比如改變尺度和視角，光照條件，圖像變形等等。

創建計算機視覺算法的過程將能夠按照適當的類別對圖像進行分割，這是一個數據驅動的過程。研究人員將確定特定圖像類別的一些樣本，以用于特定的計算機視覺機器學習，而不是確定每個圖像類別在代碼級別上的外觀。計算機的任務是研究所提供的圖像并了解與視覺外觀有關的細節。

語義分割

語義分割被認為是計算機視覺的一個重要組成部分，它將整個圖像分割成像素段，然后進行分類和標記。更具體地說，語義分割試圖理解每個像素在給定圖像中的重要作用。例如，僅僅檢測一個人或一輛車是不夠的。還必須能夠確定邊界在哪里。

對象追蹤

對象跟蹤是指跟蹤給定場景中的一個或多個運動對象。傳統上，此技術已應用于檢測到初始對象后監視真實世界的交互。這是自動駕駛汽車的一個非常重要的方面，特斯拉和優步等公司計劃發布這種產品。對象跟蹤機制可以分為兩個部分（generative和discriminative）。利用生成法來描述這些明顯的特征，減少搜索對象時重建中的誤差。判別方法被認為是相對更強大和準確的。此方法可以用來區分背景和主體。針對這一特點，該方法已成為最受歡迎的跟蹤方法之一。它甚至被稱為“Tracking-by-Detection”。這與深度學習類似。

影像重建

想象一下，有一張舊照片，它已經腐蝕了一段時間。這是一張很有價值的照片，人們想把它修復一下。這就是圖像重建的過程。

實例分割

該方法對所有不同的實例類進行分類，比如使用10種不同的顏色標記10輛汽車。關于分類，通常有原始圖像，其目標是確定圖像的確切內容。但是，為了分割所有的實例，還需要其他幾個復雜的過程。如果是一個復雜的場景，有多個重疊的物體和不同的背景，那么就需要對所有的物體進行分類，然后識別它們的邊界，差異，以及它們之間的關系。