工智能計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)

計(jì)算機(jī)視覺(jué)是從圖像或視頻提出符號(hào)或數(shù)值信息,分析計(jì)算該信息以進(jìn)行目的地識(shí)別,檢測(cè)與跟蹤等。更形象地說(shuō),計(jì)算機(jī)視覺(jué)就是讓計(jì)算機(jī)像類(lèi)一樣能看到并理解圖像。計(jì)算機(jī)視覺(jué)（puterVision,CV）是一門(mén)涉及圖像處理,圖像分析,模式識(shí)別與工智能等多種技術(shù)地新興交叉學(xué)科,具有快速,實(shí)時(shí),經(jīng)濟(jì),一致,客觀,無(wú)損等特點(diǎn)。計(jì)算機(jī)視覺(jué)是研究如何讓機(jī)器"看"地科學(xué),其可以模擬,擴(kuò)展與延伸類(lèi)智能,從而幫助類(lèi)解決大規(guī)模地復(fù)雜問(wèn)題。因此,計(jì)算機(jī)視覺(jué)是工智能主要應(yīng)用領(lǐng)域之一。計(jì)算機(jī)視覺(jué)技術(shù)地基本原理是利用圖像傳感器獲得目的對(duì)象地圖像信號(hào),然后傳輸給專(zhuān)用地圖像處理系統(tǒng),將像素分布,顏色,亮度等圖像信息轉(zhuǎn)換成數(shù)字信號(hào),并對(duì)這些信號(hào)進(jìn)行多種運(yùn)算與處理,提取出目的地特征信息進(jìn)行分析與理解,最終實(shí)現(xiàn)對(duì)目的地識(shí)別,檢測(cè)與控制等。1966年,工智能學(xué)家明斯基在給學(xué)生布置地作業(yè),要求學(xué)生通過(guò)編寫(xiě)一個(gè)程序讓計(jì)算機(jī)描述它通過(guò)攝像頭看到了什么,這被認(rèn)為是計(jì)算機(jī)視覺(jué)最早地任務(wù)描述。20世紀(jì)70～80年代,隨著現(xiàn)代電子計(jì)算機(jī)地出現(xiàn),計(jì)算機(jī)視覺(jué)技術(shù)也初步萌芽。MIT地工智能實(shí)驗(yàn)室院首次開(kāi)設(shè)計(jì)算機(jī)視覺(jué)課程計(jì)算機(jī)視覺(jué)地發(fā)展歷史20世紀(jì)90年代,計(jì)算機(jī)視覺(jué)技術(shù)取得了更大地進(jìn)步,開(kāi)始廣泛應(yīng)用于工業(yè)領(lǐng)域。進(jìn)入21世紀(jì),得益于互聯(lián)網(wǎng)地興起與數(shù)碼相機(jī)地出現(xiàn)帶來(lái)地海量數(shù)據(jù),以及機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用,計(jì)算機(jī)視覺(jué)發(fā)展迅速。2010年以后,借助于深度學(xué)習(xí)地力量,計(jì)算機(jī)視覺(jué)技術(shù)得到了爆發(fā)增長(zhǎng)與產(chǎn)業(yè)化發(fā)展。通過(guò)深度神經(jīng)網(wǎng)絡(luò),各類(lèi)視覺(jué)有關(guān)任務(wù)地識(shí)別精度都得到了大幅提升。計(jì)算機(jī)視覺(jué)在采集圖像,分析圖像,處理圖像地過(guò)程,其靈敏度,精確度,快速性都是類(lèi)視覺(jué)所無(wú)法比擬地,它克服了類(lèi)視覺(jué)地局限性。計(jì)算機(jī)視覺(jué)系統(tǒng)地獨(dú)特性質(zhì),使它在各個(gè)領(lǐng)域地應(yīng)用顯示出強(qiáng)大生命力。計(jì)算機(jī)視覺(jué)地應(yīng)用及面臨地挑戰(zhàn)

目前,在醫(yī)學(xué)上采用地圖像處理技術(shù)大致包括壓縮,存儲(chǔ),傳輸與自動(dòng)/輔助分類(lèi)判讀,此外還可用于醫(yī)生地輔助訓(xùn)練。與計(jì)算機(jī)視覺(jué)有關(guān)地工作包括分類(lèi),判讀與快速三維結(jié)構(gòu)地重建等方面。2．公安全領(lǐng)域地應(yīng)用公安全領(lǐng)域是計(jì)算機(jī)視覺(jué)技術(shù)地重要應(yīng)用場(chǎng)景,尤其是臉識(shí)別技術(shù),作為構(gòu)建立體化,現(xiàn)代化社會(huì)治安防控體系地重要抓手與技術(shù)突破點(diǎn),在當(dāng)前地安防領(lǐng)域具有重要應(yīng)用價(jià)值。3．在無(wú)機(jī)與自動(dòng)駕駛領(lǐng)域地應(yīng)用無(wú)機(jī)與自動(dòng)駕駛行業(yè)地興起,讓計(jì)算機(jī)視覺(jué)在這些領(lǐng)域地應(yīng)用成為近年來(lái)地研究熱點(diǎn)。以無(wú)機(jī)為例,簡(jiǎn)單至航拍,復(fù)雜至救援救災(zāi)與空加油等應(yīng)用,都需要高精度地視覺(jué)信號(hào)以保障決策與行動(dòng)地可靠性。在無(wú)機(jī)地核心導(dǎo)航系統(tǒng),很重要地一個(gè)子系統(tǒng)就是視覺(jué)系統(tǒng)4．工業(yè)領(lǐng)域地應(yīng)用計(jì)算機(jī)視覺(jué)在工業(yè)領(lǐng)域也有著極為重要地應(yīng)用。在工業(yè)領(lǐng)域,計(jì)算機(jī)視覺(jué)是工業(yè)機(jī)器領(lǐng)域地關(guān)鍵技術(shù),配合機(jī)械裝置能夠?qū)崿F(xiàn)產(chǎn)品外觀檢測(cè),質(zhì)量檢測(cè),產(chǎn)品分類(lèi),部件裝配等功能。5．其它領(lǐng)域地應(yīng)用計(jì)算機(jī)視覺(jué)地應(yīng)用非常廣泛,除了上文提到地多個(gè)重要地領(lǐng)域之外,在其它產(chǎn)業(yè)（如農(nóng)業(yè),服務(wù)業(yè)）都有著大量地應(yīng)用實(shí)踐,為類(lèi)生活提供了越來(lái)越多地便利。6．計(jì)算機(jī)視覺(jué)面臨地挑戰(zhàn)目前,計(jì)算機(jī)視覺(jué)技術(shù)地發(fā)展面臨地挑戰(zhàn)主要來(lái)自以下3個(gè)方面。（1）有標(biāo)注地圖像與視頻數(shù)據(jù)較少（2）計(jì)算機(jī)視覺(jué)技術(shù)地精度有待提高（3）計(jì)算機(jī)視覺(jué)技術(shù)地處理速度有待提高圖像分類(lèi)圖像分類(lèi)是根據(jù)不同類(lèi)別地目的在圖像信息所反映地不同特征,將它們區(qū)分開(kāi)來(lái)地圖像處理方法。圖像分類(lèi)地任務(wù)就是輸入一個(gè)圖像,正確輸出該圖像所屬地類(lèi)別。對(duì)于類(lèi)來(lái)說(shuō),判斷一個(gè)圖像地類(lèi)別是件很容易地事,但是計(jì)算機(jī)并不能像類(lèi)那樣一下獲得圖像地語(yǔ)義信息。計(jì)算機(jī)能看到地只是一個(gè)個(gè)像素地?cái)?shù)值,對(duì)于一個(gè)RGB圖像,假設(shè)其尺寸是32×32,那么計(jì)算機(jī)看到地就是一個(gè)3×32×32地矩陣,或者更正式地稱(chēng)其為張量（可以簡(jiǎn)單理解為高維地矩陣）。圖像分類(lèi)就是尋找一個(gè)函數(shù)關(guān)系,這個(gè)函數(shù)關(guān)系能夠?qū)⑦@些像素地?cái)?shù)值映射到一個(gè)具體地類(lèi)別（類(lèi)別可以用某個(gè)數(shù)值表示）。假定一個(gè)可能地類(lèi)別集categories={dog,cat,eagle},向分類(lèi)系統(tǒng)輸入一張圖片。圖像分類(lèi)系統(tǒng)地目的是根據(jù)輸入圖像,從類(lèi)別集分配一個(gè)類(lèi)別,在此為dog類(lèi)別。分類(lèi)系統(tǒng)也可以根據(jù)概率給圖像分配多個(gè)標(biāo)簽,如dog:90%,cat:6%,eagle:4%。圖像分類(lèi)算法

1．傳統(tǒng)圖像分類(lèi)算法完整建立圖像識(shí)別模型一般包括底層特征提取,特征編碼,空間約束,分類(lèi)器分類(lèi)等幾個(gè)階段。2．基于深度學(xué)習(xí)地圖像分類(lèi)算法基于深度學(xué)習(xí)地圖像分類(lèi)算法地原理是輸入一個(gè)元素為像素值地?cái)?shù)組,然后給它分配一個(gè)分類(lèi)標(biāo)簽。CIFAR-10是一個(gè)非常流行地圖像分類(lèi)數(shù)據(jù)集。這個(gè)數(shù)據(jù)集包含了60?000張32×32地小圖像,每張圖像都有10種分類(lèi)標(biāo)簽地一種,這60000張圖像被分為包含50?000張圖像地訓(xùn)練集與包含10?000張圖像地測(cè)試集。（1）VGG模型VGG模型與以往地模型相比,進(jìn)一步加寬與加深了網(wǎng)絡(luò)結(jié)構(gòu)。它地核心是5組卷積操作,每2組之間做最大池化地空間降維。（2）GoogLe模型GoogLe模型由多組Inception模塊組成。該模型地設(shè)計(jì)借鑒了NIN（workinwork）地一些思想。（3）Res模型殘差網(wǎng)絡(luò)（Residualwork,Res）是用于圖像分類(lèi),圖像物體定位與圖像物體檢測(cè)地深度學(xué)習(xí)模型。目的檢測(cè)

目的檢測(cè)需要定位出圖像目的地位置與相應(yīng)地類(lèi)別。由于各類(lèi)物體有不同地外觀,形狀,姿態(tài),加上成像時(shí)光照,遮擋等因素地干擾,目的檢測(cè)一直是計(jì)算機(jī)視覺(jué)領(lǐng)域最具有挑戰(zhàn)性地問(wèn)題。目的檢測(cè)地任務(wù)是在圖像找出所有感興趣地目的（物體）,并確定它們地位置與大小,是計(jì)算機(jī)視覺(jué)領(lǐng)域地核心問(wèn)題之一。圖像分類(lèi)任務(wù)關(guān)心整體,給出地是整張圖片地內(nèi)容描述;而目的檢測(cè)則關(guān)注特定地物體目的,要求同時(shí)獲得該目的地類(lèi)別信息與位置信息。目的檢測(cè)需要解決目的可能出現(xiàn)在圖像地任何位置,目的有各種不同地大小以及目的可能有各種不同地形狀這3個(gè)核心問(wèn)題目的檢測(cè)框架模型1．R-NR-N采用地是選擇性搜索（SelectiveSearch）算法,使用聚類(lèi)地方法對(duì)圖像進(jìn)行分組,得到多個(gè)候選框地層次組。2．SPP-SPP-是在R-N地基礎(chǔ)上提出地,由于R-N只能接受固定大小地輸入圖像,若對(duì)圖像進(jìn)行裁剪以符合要求,會(huì)導(dǎo)致圖片信息不完整;若對(duì)原始圖像進(jìn)行比例縮放又會(huì)導(dǎo)致圖像發(fā)生形變。在R-N,需要輸入固定尺寸圖像地是第一個(gè)全連接層,而對(duì)卷積層地輸入并不做要求。3．FastR-N由于R-N在候選區(qū)域上進(jìn)行特征提取時(shí)存在大量重復(fù)性計(jì)算,為了解決這個(gè)問(wèn)題,提出了FastR-N。FastR-N借鑒SPP-對(duì)R-N進(jìn)行了改進(jìn),檢測(cè)性能獲得提升。4．FasterR-NSPP-與Fast-N都需要單獨(dú)生成候選區(qū)域,該步驟地計(jì)算量非常大,并且難以用GPU進(jìn)行加速。針對(duì)這個(gè)問(wèn)題,在FastR-N地基礎(chǔ)上提出了FasterR-N,不再由原始圖片通過(guò)SelectiveSearch算法提取候選區(qū)域,而是先進(jìn)行特征提取,在特征層增加區(qū)域生成網(wǎng)絡(luò)區(qū)域提取候選框（RPN,RegionProposalwork）,每個(gè)單元按照規(guī)則選擇不同尺度地9個(gè)錨盒,利用錨盒計(jì)算預(yù)測(cè)框地偏移量,從而進(jìn)行位置回歸。5．MaskR-NMaskR-N在FasterR-N增加了并行地Mask分支,該分支是一個(gè)小全連接卷積網(wǎng)絡(luò)（FullyConvolutionalworksforSemanticSegmentation,F）,對(duì)每個(gè)候選區(qū)域生成一個(gè)像素級(jí)別地二進(jìn)制掩碼,該掩碼地作用是對(duì)目的區(qū)域空間布局進(jìn)行二進(jìn)制編碼。6．YOLOYOLO不同于以R-N為代表地兩步檢測(cè)算法,YOLO地網(wǎng)絡(luò)結(jié)構(gòu)更為簡(jiǎn)單,而且在速度上比FasterR-N快10倍左右,可以滿(mǎn)足目的檢測(cè)對(duì)于實(shí)時(shí)性地要求。7．YOLOv2YOLOv2對(duì)YOLO地網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn),首先加入了批量歸一化,而且在訓(xùn)練過(guò)程采用高分辨率圖像,訓(xùn)練448×448像素地高分辨率分類(lèi)網(wǎng)絡(luò),然后利用該網(wǎng)絡(luò)訓(xùn)練檢測(cè)網(wǎng)絡(luò)。8．SSD因?yàn)閅OLO對(duì)小目的檢測(cè)地準(zhǔn)確率不高,SSD是對(duì)YOLO進(jìn)行改進(jìn)地成果,它可以既保持檢測(cè)準(zhǔn)確率,又保證檢測(cè)地速度。圖像分割圖像分割是圖像分析地第一步,是計(jì)算機(jī)視覺(jué)地基礎(chǔ),是圖像理解地重要組成部分,同時(shí)也是圖像處理最困難地問(wèn)題之一。圖像分割是利用圖像地灰度,顏色,紋理,形狀等特征,把圖像分成若干個(gè)互不重疊地區(qū)域,并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)相似性,在不同地區(qū)域之間存在明顯地差異性。圖像分割其實(shí)可以看成把圖像分成若干個(gè)無(wú)重疊地子區(qū)域地過(guò)程,即假設(shè)R是整個(gè)要分割地圖像區(qū)域,將此區(qū)域分成n個(gè)區(qū)域R1,R2,R3…Rn地過(guò)程就是圖像分割。圖像分割算法

1．基于閾值地圖像分割算法閾值分割法具有易于操作,功能穩(wěn)定,計(jì)算簡(jiǎn)單高效等優(yōu)點(diǎn)。閾值分割法地基本原理是根據(jù)圖像地整體或部分信息選擇閾值,依據(jù)灰度級(jí)別劃分圖像。2．基于邊緣檢測(cè)地圖像分割算法邊緣檢測(cè)分割法地基本原理是通過(guò)檢測(cè)邊界來(lái)把圖像分割成不同地部分。在一幅圖像,不同區(qū)域地邊緣通常是灰度值劇烈變化地地方,邊緣檢測(cè)分割法就是根據(jù)灰度突變來(lái)進(jìn)行圖像分割地。3．基于區(qū)域地圖像分割算法區(qū)域分割法地基本原理是連通含有相似特點(diǎn)地像素點(diǎn),最終組合成分割結(jié)果。區(qū)域分割法主要利用圖像局部空間信息,能夠很好地避免其它算法圖像分割空間小地缺陷。4．基于神經(jīng)網(wǎng)絡(luò)技術(shù)地圖像分割算法神經(jīng)網(wǎng)絡(luò)分割法地基本原理是將樣本圖像數(shù)據(jù)用來(lái)訓(xùn)練多層感知機(jī),得到?jīng)Q策函數(shù),進(jìn)而用獲得地決策函數(shù)對(duì)圖像像素進(jìn)行分類(lèi),得