一文读懂AI计算机视觉技术

人工智能原本只是人类一个美好的想象，没想到，它却成为了21世纪最热的话题之一。

随着近几年人工智能的发展，已经逐渐渗透到了各个领域，比如：医疗、教育、机械自动化、个性化推荐、信息安全、图像识别等等......

也正因为如此，很多准备入门 AI 的新手，都会面临一个共同的问题：AI 应用方向么多，到底该选择哪个？哪个才是最适合自己的？

在人工智能的众多细分领域中，有一个入门门槛相对较低、模型成熟但人才缺口大的方向——计算机视觉（Computer Vision）。

1 基于计算机视觉开发的产品

如果你了解计算机视觉，并细心观察，会发现其实它早已成为人们日常生活的一部分了。计算机视觉的应用已经被越来越多的公司部署在自身的产品中，举几个比较前沿的例子：

Facebook “反人脸识别”

扎克伯格提过Facebook将来三大主要发展方向，人工智能就是其中之一，并为此设立了FAIR（Facebook AI Research）。

去年，FAIR针对世界上有关人脸识别技术的滥用事件（AI换脸），开发了一套适用于视频、现场直播等场景的“去识别化”’技术——反人脸识别。

该技术将一个对抗自编码器与一个训练过的面部分类器配对，以使人的面部稍微扭曲，从而在迷惑面部识别系统的同时，又能维持一个人们可以认出来的自然样貌。

虽然Facebook还不打算在其任何商业产品中使用这项技术，但这项技术在很多场景中是有益的，比如保护个人隐私。

Amazon Go

Amazon Go 是计算机视觉试图对零售行业进行改革的尝试。

它所实现的功能是：顾客进入商店，闸机读取顾客的二维码，选择所需商品，离开商店，不用排队结账。

其核心技术基于一种无线射频识别技术的系统——它能识别用户从货架上取货的动作，随后将数据同步到用户的手机中。用户在穿过特别设置的“交易区”（transition area）后，系统会自动识别，算出花销，然后从亚马逊账户中扣款；另外，这套系统还能利用顾客的购买记录，来分析用户偏好，然后调整相应的货物位置和库存。

哎，不知道超市收银员们听了怎么想？

微软 InnerEye

医疗行业当然也少不了计算机视觉的应用。

微软有一款处理医学图像的产品——InnerEye，其基于计算机视觉和机器学习技术，帮助放射科医生、肿瘤专家和外科医生处理放射图像。其主要目的是从恶性肿瘤的 3D 图像中准确识别出肿瘤。

随着计算机视觉技术的引入，现代医疗系统必将实现突破性的发展，风险低、创伤性小的手术方案在未来也将成为可能。

2 入门计算机视觉必知的技术

“工欲善其事必先利其器”，尽管计算机视觉是人工智能中相对入门门槛较低的方向，但作为CV新人，你至少要掌握以下必备技能：

1.编程基础

推荐Matlab，Python，C++，最好熟悉其中2种。

2.数学基础

了解微积分，概率学、矩阵论、线性代数等。

3.专业工具OpenCV

OpenCV（开源计算机视觉库）是一个非常强大的学习资料库，为初学者们降低了计算机视觉的学习门槛。

4.图像处理的基础知识

图像处理 （Image Processing）是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

5.模式识别的基础知识

模式识别（Pattern Recognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。

有了以上基础，你算是半只脚踏进了计算机视觉的大门，但是离找一份相关的工作还有所差距。企业看重的是技术的落地效益，所以，初学者们还需要在计算机视觉的应用方面花功夫。

根据视觉的应用场景不同，计算机视觉分为了传统视觉和与深度学习结合的计算机视觉，两个分支要求你学习的内容也不同。

传统计算机视觉

传统计算机视觉的应用主要在制造针对特定对象的检测器，如边缘检测，霍夫变换，斑点检测，角点检测。其优势体现在精准度和计算复杂性等方面。

对此，你需要学习在一些具体的应用层面的知识。

1、ROS

ROS（robotics operating system）机器人操作系统，目前能够应用的是机器人领域，主要是机器人的建模、感知、导航、规划等。

而ROS与计算机视觉的交织领域是机器视觉，目前，机器视觉解决方案尚面临着9大挑战：照明、变形或铰接、职位和方向、背景、闭塞、比例、照相机放置、运动、期望。

因此，解决机器人在环境中的视觉，任务设置和工作场所等问题，需要在计算机视觉领域的更多投入。

2、自动驾驶

计算机视觉在无人车上的使用有一些比较直观的例子，比如交通标志和信号灯的识别（google）、高速公路车道的检测定位（特斯拉）。现在基于LiDAR信息实现的一些功能模块，其实也可以用摄像头基于计算机视觉来实现。

从计算机视觉的角度，无人驾驶可能是一次难得的机遇，数据的极大丰富和算法的迭代提高相辅相成，会推动计算机视觉研究前进，并使之在无人驾驶中起到更加不可或缺的作用。

与深度学习结合的计算机视觉

与深度学习结合，作为传统计算机视觉的一个补充，它的应用领域主要在一些能允许一定错误率的行业，比如图像搜索、监视、自动化零售等，其最大的优势就是自动创建特性、具有实时决策功能。

1、深度学习

深度学习（Deep Learning）的概念是Hinton等人于2006年提出的，最早最成功的应用领域就是计算机视觉，经典的卷积神经网络就是为专门处理图片数据而生。

目前深度学习已经广泛应用在计算机视觉、语音识别、自然语言处理、智能推荐等领域。关于深度学习的方法，大致分为三种：

◆ 深度监督学习

监督学习应用在当数据标记、分类器分类或数值预测的情况。

◆ 深度无监督学习

当输入数据没有标记时，可应用无监督学习方法从数据中提取特征并对其进行分类或标记。

◆ 深度强化学习

强化学习使用奖惩系统预测学习模型的下一步。这主要用于游戏和机器人，解决平常的决策问题。

2、CNN

计算机视觉里经常使卷积神经网络，即CNN，是一种对人脑比较精准的模拟。

什么是卷积？卷积就是两个函数之间的相互关系，然后得出一个新的值，他是在连续空间做积分计算，然后在离散空间内求和的过程。实际上在计算机视觉里面，可以把卷积当做一个抽象的过程，就是把小区域内的信息统计抽象出来。

那为什么时隔20年，卷积神经网络能卷土重来、占领主流？原因有二：

◆ 深度的卷积神经网络需要大量数据进行训练，否则机器学习中的过拟合将不可避免。而2006及2007年开始，正好是互联网开始大量产生各种各样的图片数据的时候。

◆ 随着GPU计算能力的增长，运算能力的提升，使卷积神经网络结合大数据的训练才成为可能。

深度学习已经成为计算机视觉系统的重要组成部分，但是传统的计算机视觉依然保持着强势劲头。

所以，你要做得就是选择自己感兴趣的计算机视觉应用方向，在掌握一定基础的情况下，深入学习某个领域需要的知识即可。

3 入门计算机视觉的秘籍

目前计算机视觉领域来说有着两极分化——基础理论扎实，实践能力强的人，是真的非常好找工作。相反，只是学会基础，运行一下网上公开模型，这种人想找份好工作可能就无望了。

对于初学者来说，要想扎实的学习计算机视觉技术，就要先掌握计算机视觉的开发工具——OpenCV，并在实践中学习。

OpenCV是开源视觉开发库里的“老人”，很早就开始做 CV 领域的开源。相对于家喻户晓pytorch 和 tensorflow ，OpenCV 在应用上有以下优势：

◆ 丰富、高效的传统算法（视频分析、3D 重建、光流算法）

◆ 端到端的IO（从摄像头读入、显示屏输出）

◆ CPU、（GPU）、VPU加速效果好