對(duì)計(jì)算機(jī)視覺的理解精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的對(duì)計(jì)算機(jī)視覺的理解主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：對(duì)計(jì)算機(jī)視覺的理解范文

關(guān)鍵詞：動(dòng)態(tài)場(chǎng)景；自適應(yīng)預(yù)測(cè)；多特征融合；計(jì)算機(jī)視覺；運(yùn)動(dòng)目標(biāo)

接受信息的關(guān)鍵手段之一就是視覺系統(tǒng)，隨著科學(xué)技術(shù)水平的不斷發(fā)展，以及計(jì)算機(jī)和信號(hào)處理理論的誕生，讓機(jī)器擁有人類視覺功能已經(jīng)不再是夢(mèng)。對(duì)所采集視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、檢測(cè)，并對(duì)其目標(biāo)行為進(jìn)行分析，就是運(yùn)動(dòng)目標(biāo)分析的內(nèi)容，運(yùn)動(dòng)目標(biāo)分析是計(jì)算機(jī)視覺領(lǐng)域關(guān)鍵內(nèi)容之一，其屬于圖像理解與圖像分析的范疇。而在運(yùn)動(dòng)目標(biāo)分析系統(tǒng)中，跟蹤與檢測(cè)運(yùn)動(dòng)目標(biāo)則為中級(jí)和低級(jí)處理部分，是分析與理解行為的高等層分析模塊的基礎(chǔ)。檢測(cè)與跟蹤運(yùn)動(dòng)目標(biāo)技術(shù)主要包括了：機(jī)器人視覺導(dǎo)航、軍事領(lǐng)域、運(yùn)動(dòng)圖像編碼、交通管制、視覺監(jiān)視等。

1目標(biāo)檢測(cè)算法

連續(xù)圖像序列由視頻中提取出，由前景區(qū)域與背景區(qū)域共同組成了整個(gè)畫面。前景區(qū)域包含了如運(yùn)動(dòng)的人體、車輛等動(dòng)態(tài)要素，它是指人們較為感興趣的區(qū)域。而背景區(qū)域主要包含例如樹木、建筑物等靜態(tài)要素，它的像素值僅發(fā)生微弱變化或者不產(chǎn)生變化。在連續(xù)圖像序列中，采用一系列算法分隔開背景區(qū)域和前景區(qū)域，將運(yùn)動(dòng)目標(biāo)信息有效提取，則為運(yùn)動(dòng)目標(biāo)檢測(cè)。以靜態(tài)場(chǎng)景為基礎(chǔ)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法包括了光流法、背景差分法、幀間查分法等，文章主要針對(duì)背景差分法進(jìn)行介紹。

背景差分法通常適用于靜態(tài)場(chǎng)景，其是將背景圖像與當(dāng)前幀圖像進(jìn)行差分，運(yùn)動(dòng)目標(biāo)依靠閥值化進(jìn)行檢測(cè)，因?yàn)樵撍惴▋H能夠在背景變化緩慢或者不發(fā)生變化的情況下應(yīng)用，因此就有著一定的局限性。假設(shè)當(dāng)前幀圖像為fk（x，y），背景圖像B（x，y）可通過一定的方法得出，而這時(shí)背景差分圖像則為：

（1）

而假設(shè)二值化閥值為Th，二值化圖像B（x，y）則為：

（2）

運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果可通過數(shù)學(xué)形態(tài)學(xué)處理獲得。

2 背景模型的實(shí)時(shí)更新

要更新背景圖像可采用一階KALMAN濾波來實(shí)現(xiàn)，為了克服氣候變化、光照變化等外部環(huán)境變化對(duì)運(yùn)動(dòng)檢測(cè)產(chǎn)生的影響，采用一階KALMAN濾波更新背景圖像公式如下：

Bk+1（p）=Bk（p）+g（Ik（p）-Bk（p）） （3）

而增益因子則為：g=？琢1（1-Mk（p））+？琢2Mk（p） （4）

公式中？琢1和？琢2是權(quán)值系數(shù)；M是第k時(shí)刻二值化后目標(biāo)圖像中p像素的值；B為背景圖像；I為當(dāng)前幀圖像。要想將運(yùn)動(dòng)目標(biāo)從背景序列圖像中有效分割出來，就必須要達(dá)到？琢2足夠小的條件，且？琢1應(yīng)等于或者大于10？琢2，若？琢1值過大，就會(huì)將算法自身的去噪特性喪失，在序列背景圖像中也會(huì)存儲(chǔ)越來越多的運(yùn)動(dòng)變化。

3 更新車輛目標(biāo)模型

核與活動(dòng)輪廓算法具有效率高、技術(shù)復(fù)雜度低等特點(diǎn)，它以非參數(shù)核概率密度估計(jì)理論為基礎(chǔ)，在視頻運(yùn)動(dòng)目標(biāo)跟蹤中廣泛應(yīng)用。彩色圖像序列通過攝像機(jī)獲取，人臉目標(biāo)模型可以采用RGB顏色空間來進(jìn)行描述。在跟蹤車輛的過程中，噪聲、遮擋、光照等干擾或多或少存在，因干擾因素的存在，車輛像素特征也會(huì)發(fā)生相應(yīng)的微弱變化。若不對(duì)目標(biāo)模型進(jìn)行更新，會(huì)對(duì)跟蹤精度產(chǎn)生影響，所以，采用的矩形模板會(huì)包括一定背景。而在實(shí)施跟蹤的過程中，要對(duì)車輛目標(biāo)模型進(jìn)行更換。如果其過程物遮擋，當(dāng)BHATTACHARYYA系數(shù)滿足？籽>Tudm條件時(shí)，更新車輛目標(biāo)模型，更新模型為：

（5）

公式中Tudm是模板更新閥值；qk-1是更新之前的車輛目標(biāo)模型。通過視頻跟蹤，在近場(chǎng)景和遠(yuǎn)場(chǎng)景拍攝到的視頻中，多尺度圖像空間由各個(gè)幀圖像構(gòu)成。例如：將將書本作為跟蹤對(duì)象，由遠(yuǎn)及近從書本的正上方拍攝六十幀圖像，為了能使矩形框正好能夠包含書本，對(duì)每幀圖像張書本手工劃定矩形框，并對(duì)框內(nèi)圖像的信息量進(jìn)行統(tǒng)計(jì)。最后，隨書本尺度的變化，給出圖像信息量變化曲線。

4 計(jì)算機(jī)視覺原理

計(jì)算機(jī)視覺是一門研究怎樣使機(jī)器進(jìn)行觀察的科學(xué)，更切確地說，就是指利用電腦和攝影機(jī)代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等機(jī)器視覺，并進(jìn)一步做圖形處理，用電腦處理成為傳送給儀器檢測(cè)或更適合人眼觀察的圖像。計(jì)算機(jī)視覺研究相關(guān)的理論和技術(shù)作為一個(gè)科學(xué)學(xué)科，嘗試創(chuàng)建能夠從圖像或者多維數(shù)據(jù)中獲取信息的人工智能系統(tǒng)。這里所指的信息指Shannon定義的，可以用來幫助做一個(gè)決定的信息。因?yàn)楦兄梢钥醋魇菑母泄傩盘?hào)中提取信息，所以計(jì)算機(jī)視覺也可以看作是研究如何使人工系統(tǒng)從圖像或多維數(shù)據(jù)中感知的科學(xué)。

計(jì)算機(jī)視覺就是由計(jì)算機(jī)來代替大腦完成處理和解釋，用各種成象系統(tǒng)代替視覺器官作為輸入敏感手段。使計(jì)算機(jī)能象人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力就是計(jì)算機(jī)視覺的最終研究目標(biāo)，而需要經(jīng)過長(zhǎng)期的努力才能達(dá)到這個(gè)目標(biāo)。所以，在實(shí)現(xiàn)最終目標(biāo)以前，通過努力的中期目標(biāo)是建立一種視覺系統(tǒng)，這個(gè)系統(tǒng)能依靠反饋的某種程度的智能和視覺敏感完成一定的任務(wù)。例如：計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用領(lǐng)域就是自主車輛的視覺導(dǎo)航，但要實(shí)現(xiàn)自主導(dǎo)航的系統(tǒng)，卻還沒有條件實(shí)現(xiàn)象人那樣能識(shí)別和理解任何環(huán)境。所以，人們通過不懈的努力，研究在高速公路上具有道路跟蹤能力，有效避免與前方車輛碰撞的視覺輔助駕駛系統(tǒng)。人類視覺系統(tǒng)是有史以來，人們所知道的功能最強(qiáng)大和完善的視覺系統(tǒng)。這里要指出的一點(diǎn)是在計(jì)算機(jī)視覺系統(tǒng)中計(jì)算機(jī)起代替人腦的作用。計(jì)算機(jī)視覺可以而且應(yīng)該根據(jù)計(jì)算機(jī)系統(tǒng)的特點(diǎn)來進(jìn)行視覺信息的處理，但并不等于計(jì)算機(jī)必須按人類視覺的方法完成視覺信息的處理?？梢哉f，對(duì)人類視覺處理機(jī)制的研究將給計(jì)算機(jī)視覺的研究提供指導(dǎo)和啟發(fā)，所以，用計(jì)算機(jī)信息處理的方法研究人類視覺的機(jī)理，建立人類視覺的計(jì)算理論，與此同時(shí)也是一個(gè)十分重要和讓人感興趣的研究領(lǐng)域。這方面的研究被稱為計(jì)算視覺。計(jì)算視覺可被認(rèn)為是計(jì)算機(jī)視覺中的一個(gè)研究領(lǐng)域。計(jì)算機(jī)視覺領(lǐng)域的不完善性與多樣性為其突出特點(diǎn)。

5 結(jié)束語(yǔ)

對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤、識(shí)別、檢測(cè)，并對(duì)目標(biāo)行為進(jìn)行研究、分析，這就是基于視覺運(yùn)動(dòng)目標(biāo)分析。以計(jì)算機(jī)視覺為基礎(chǔ)，分析運(yùn)動(dòng)目標(biāo)，包括了目標(biāo)行為的理解與分析、目標(biāo)跟蹤、運(yùn)動(dòng)目標(biāo)檢測(cè)、預(yù)處理圖像等，它是計(jì)算機(jī)視覺領(lǐng)域重要內(nèi)容之一。理解與分析運(yùn)動(dòng)目標(biāo)的行為，既是計(jì)算機(jī)視覺的根本目的之一，也是檢測(cè)與跟蹤運(yùn)動(dòng)目標(biāo)的最終目標(biāo)。從理論層考慮，理解與分析運(yùn)動(dòng)目標(biāo)的行為可以分為人工智能理論研究與模式識(shí)別。簡(jiǎn)要闡述基于計(jì)算機(jī)視覺的運(yùn)動(dòng)目標(biāo)分析，而所面臨的是對(duì)運(yùn)動(dòng)目標(biāo)行為的理解。

參考文獻(xiàn)

[1]楊可，劉明軍，毛欣，夏維建，劉偉，周旋，吳煒，周凱.基于計(jì)算機(jī)視覺的電纜終端表面溫升分析系統(tǒng)[J].電視技術(shù)，2013（7）.

[2]葉闖，沈益青，李豪，曹思汗，王柏祥.基于人類視覺特性（HVS）的離散小波變換（DWT）數(shù)字水印算法[J].浙江大學(xué)學(xué)報(bào)：理學(xué)版，2013（2）.

[3]何青海，馬本學(xué)，瞿端陽(yáng)，李宏偉，王寶.基于機(jī)器視覺棉葉螨自動(dòng)監(jiān)測(cè)與分級(jí)方法研究[J].農(nóng)機(jī)化研究，2013（4）.

[4]賈挺猛，茍一，鮑官軍，董茂，楊慶華.基于機(jī)器視覺的葡萄樹枝骨架提取算法研究[J].機(jī)電工程，2013（4）.

第2篇：對(duì)計(jì)算機(jī)視覺的理解范文

關(guān)鍵詞：計(jì)算機(jī)視覺；研討式教學(xué)；小組探討；課前回顧

作者簡(jiǎn)介：陳芳林（1983-），男，湖南株洲人，國(guó)防科學(xué)技術(shù)大學(xué)機(jī)電工程與自動(dòng)化學(xué)院，講師；周宗潭（1969-），男，河南洛陽(yáng)人，國(guó)防科學(xué)技術(shù)大學(xué)機(jī)電工程與自動(dòng)化學(xué)院，教授。（湖南 長(zhǎng)沙 410073）

中圖分類號(hào)：G643.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2013）26-0065-02

進(jìn)入21世紀(jì)，創(chuàng)新型人才的培養(yǎng)成為各國(guó)政府和高等教育界關(guān)注的一個(gè)焦點(diǎn)。世界各國(guó)研究型大學(xué)的共同特點(diǎn)是在研究生教育階段致力于培養(yǎng)富有創(chuàng)新意識(shí)和創(chuàng)新能力的高級(jí)人才。[1]研討式教學(xué)是培養(yǎng)研究生創(chuàng)新精神、科研能力的有效途徑，教師講解與學(xué)生探討兩部分相結(jié)合是研討式教學(xué)采用的主要模式。[2]將課程分成兩部分之后，教師講解的時(shí)間就必須壓縮，教師一方面需要思考如何在較短的時(shí)間內(nèi)完成課程的講解，同時(shí)還需要考慮課程講解要與學(xué)生探討部分緊密結(jié)合。因此，如何上好研討式教學(xué)教師講解這部分課，越來越受高等院校的重視。本文針對(duì)筆者教授工科研究生課程“計(jì)算機(jī)視覺”的實(shí)踐與經(jīng)驗(yàn)，闡述了筆者對(duì)于如何上好研討式教學(xué)教師講解這部分課的個(gè)人體會(huì)?？偨Y(jié)為兩點(diǎn)：第一，首先要充分做好課程準(zhǔn)備；第二，上課環(huán)節(jié)采取回顧—案例—小結(jié)的講解方式。下面從課程準(zhǔn)備、課前回顧、課程講解、課后小結(jié)四個(gè)方面分別闡述（如圖1所示）。

一、“計(jì)算機(jī)視覺”課程準(zhǔn)備

要上好一門研討式教學(xué)的課程，一定要結(jié)合該門課程的特點(diǎn)，量身定制課程內(nèi)容，進(jìn)行精心準(zhǔn)備。本節(jié)先介紹“計(jì)算機(jī)視覺”課程的特點(diǎn)，然后結(jié)合該門課程的特點(diǎn)，介紹筆者對(duì)于“計(jì)算機(jī)視覺”的課程準(zhǔn)備。

1.“計(jì)算機(jī)視覺”課程特點(diǎn)

“計(jì)算機(jī)視覺”是“數(shù)字圖像處理”和“模式識(shí)別”等課程的后續(xù)課程。該課程重點(diǎn)在于圖像或者圖像序列的分析理解。課程知識(shí)在機(jī)器人導(dǎo)航、偵查、測(cè)繪、測(cè)量、精密加工和目標(biāo)跟蹤等多個(gè)領(lǐng)域都有廣泛的應(yīng)用。[3]近年來基于視覺信息的控制反饋也開始受到廣泛關(guān)注。國(guó)內(nèi)高校一般都為研究生開設(shè)了此門課程。

計(jì)算機(jī)視覺技術(shù)應(yīng)用廣泛、算法原理涉及面廣：涉及到概率與數(shù)理統(tǒng)計(jì)、信號(hào)與系統(tǒng)、圖像等基礎(chǔ)知識(shí)?！坝?jì)算機(jī)視覺”是一門重要的控制類、電子類及計(jì)算機(jī)類專業(yè)研究生的選修課程，它內(nèi)容廣泛、綜合性強(qiáng)，研討能力的培養(yǎng)顯得非常關(guān)鍵。

2.課程準(zhǔn)備

首先，結(jié)合“計(jì)算機(jī)視覺”課程內(nèi)容廣泛、技術(shù)日益更新和豐富的特點(diǎn)，將課程36學(xué)時(shí)分為12次課，每次課為3小時(shí)，每堂課教師講解一個(gè)專題。這種設(shè)計(jì)，一方面可以更廣地涉及計(jì)算機(jī)視覺的各個(gè)領(lǐng)域；另一方面以專題的形式來講解，可以將學(xué)生帶入到該專題，介紹基本背景、理論、知識(shí)和方法，讓學(xué)生有一個(gè)初步的了解，方便課后學(xué)生對(duì)感興趣的專題進(jìn)一步深入挖掘與研究。

其次，在課程開始之前，教師仔細(xì)統(tǒng)籌，安排好每次課的專題，這樣既方便學(xué)生一開始對(duì)整個(gè)課程有一個(gè)整體的了解，也方便學(xué)生選擇課堂研討的題目與內(nèi)容。根據(jù)12個(gè)專題，將各個(gè)專題講解的內(nèi)容與課件在開課之前準(zhǔn)備好，這樣有利于把握各個(gè)專題之間的前后承接關(guān)系。例如，“區(qū)域”與“分割”是既有區(qū)分又有聯(lián)系的兩個(gè)專題，在課程開始之前，將課件準(zhǔn)備好，就有利于宏觀把握，在“區(qū)域”專題提到的分割算法，就不需要在“分割”專題再次重復(fù)，而在“分割”專題可以結(jié)合前面“區(qū)域”專題進(jìn)行互相補(bǔ)充，以幫助學(xué)生融會(huì)貫通。

最后，在每個(gè)專題上課之前，再對(duì)課件進(jìn)行精雕細(xì)琢，主要是對(duì)內(nèi)容分好層次，對(duì)方法進(jìn)行分類，力圖在較短的時(shí)間內(nèi)，讓學(xué)生對(duì)該專題有較全面的認(rèn)識(shí)。例如，在講解圖像分割時(shí)，由于圖像分割方法非常多，可以將分割方法分為若干個(gè)大類，每個(gè)大類只講1～2個(gè)方法。這樣既可以盡可能涉及更廣的領(lǐng)域，又可以提高講解的效率。

二、“計(jì)算機(jī)視覺”課前回顧

課前回顧是指每堂課的前面一小段時(shí)間用來回顧上一堂課的內(nèi)容。雖然課前回顧時(shí)間非常短，一般為3～8分鐘，但是課前回顧是課堂教學(xué)中的一個(gè)重要環(huán)節(jié)。課前回顧可以幫助學(xué)生加強(qiáng)將要學(xué)習(xí)的內(nèi)容與已學(xué)過內(nèi)容之間的聯(lián)系。通過課前回顧，學(xué)生可以回憶前續(xù)課程所講解的概念、理論、算法的步驟等內(nèi)容，有助于解決新問題或者理解新知識(shí)。

課前回顧最重要的是既要復(fù)習(xí)前續(xù)課程的內(nèi)容，又要注意將前續(xù)內(nèi)容與當(dāng)前內(nèi)容聯(lián)系起來。由于講解時(shí)間有限，要使研討式教學(xué)的教師講解部分效率高，教師幫助學(xué)生回憶上堂課的概念、模型、算法等內(nèi)容，就變得非常重要。如果不做課前回顧，那么當(dāng)講到某處新知識(shí)時(shí)，往往需要停下來，將前續(xù)課程再講一遍，否則學(xué)生無(wú)法理解新的知識(shí)，這樣就降低了教學(xué)的效率。

課前回顧的時(shí)間，一般以3～8分鐘為宜。課前回顧的形式可以多樣化，如講解課后作業(yè)、回顧概念、提問等。筆者認(rèn)為應(yīng)根據(jù)當(dāng)天課程與前續(xù)課程的關(guān)系，采取合適的方式。各種方式結(jié)合使用，提高課前回顧的效率。

三、“計(jì)算機(jī)視覺”課程講解——案例教學(xué)

案例教學(xué)已經(jīng)成功地應(yīng)用于數(shù)學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域的教學(xué)。通過案例，學(xué)生可以很快地掌握相應(yīng)的概念、算法的步驟等，從而提高教師講解部分的效率。[4]例如，在講解馬爾科夫隨機(jī)場(chǎng)時(shí)，筆者通過案例式教學(xué)，將馬爾科夫隨機(jī)場(chǎng)用一個(gè)生活中的例子來向?qū)W生解釋。首先，將馬爾科夫隨機(jī)場(chǎng)分解成兩個(gè)重要的概念，分別是隨機(jī)場(chǎng)與馬爾科夫性，然后將它們對(duì)應(yīng)到例子中，幫助學(xué)生理解。

隨機(jī)場(chǎng)包含兩個(gè)要素：位置（site）和相空間（phase space）。當(dāng)給每一個(gè)“位置”中按照某種分布隨機(jī)賦予“相空間”的一個(gè)值之后，其全體就叫做隨機(jī)場(chǎng)（如圖2（a））。[5]這個(gè)概念非常抽象，難以理解。筆者應(yīng)用案例式教學(xué)，拿莊稼地來打比方?！拔恢谩焙帽仁且划€畝農(nóng)田，“相空間”好比是種的各種莊稼。給不同的地種上不同的莊稼，就好比給隨機(jī)場(chǎng)的每個(gè)“位置”，賦予“相空間”里不同的值。所以，可以形象地理解隨機(jī)場(chǎng)就是在哪塊地里種什么莊稼的布局（如圖2（b））。

馬爾科夫性指的是一個(gè)隨機(jī)變量序列按時(shí)間先后順序依次排開時(shí)，第N+1時(shí)刻的分布特性，與N時(shí)刻以前的隨機(jī)變量的取值無(wú)關(guān)。為了更直觀地理解馬爾科夫性，筆者仍然拿莊稼地打比方，如果任何一塊地里種的莊稼的種類僅僅與它鄰近的地里種的莊稼的種類有關(guān)，與其他地方的莊稼的種類無(wú)關(guān)，這種性質(zhì)就是馬爾科夫性。

符合上述兩個(gè)特征，那么這些地里種的莊稼的集合，就是一個(gè)馬爾科夫隨機(jī)場(chǎng)。通過案例式教學(xué)，筆者發(fā)現(xiàn)可以加深加快學(xué)生對(duì)課程內(nèi)容的理解，提高教師講解環(huán)節(jié)的效率。

四、課后小結(jié)

課后小結(jié)指的是一堂課將要結(jié)束時(shí)，教師對(duì)本堂課進(jìn)行一個(gè)簡(jiǎn)短的總結(jié)。許多成功的教師都會(huì)在其教學(xué)中堅(jiān)持課后小結(jié)這個(gè)環(huán)節(jié)，給學(xué)生一個(gè)總體的印象，以幫助學(xué)生消化本次課程的內(nèi)容。

研討式教學(xué)教師講解部分的課后小結(jié)與普通教學(xué)方式應(yīng)有所區(qū)別。筆者認(rèn)為這主要是因?yàn)橥ㄟ^課后小結(jié)可以將本次課程所講內(nèi)容與學(xué)生的研討環(huán)節(jié)結(jié)合起來，而不僅僅是對(duì)內(nèi)容進(jìn)行簡(jiǎn)單的總結(jié)。

為了達(dá)到課后小結(jié)使本次課程內(nèi)容與學(xué)生探討環(huán)節(jié)建立聯(lián)系的目的，筆者在教學(xué)中常采用如下方式：首先，像普通教學(xué)方式一樣，總結(jié)本次課程內(nèi)容；然后，在此基礎(chǔ)上，拋出若干問題，這些問題，不需要學(xué)生馬上解答，而是留給學(xué)生課后思考，提供他們選擇研討主題的素材；最后，介紹其他在本次課程中沒有涉及到的前沿知識(shí)、方法與理論，拓寬學(xué)生的視野，從而增加學(xué)生選擇探討主題的覆蓋面。

通過應(yīng)用這種方式，筆者發(fā)現(xiàn)學(xué)生的思維更開闊，在探討環(huán)節(jié)，學(xué)生往往可以選擇一些比較新穎的主題（例如視頻中不動(dòng)點(diǎn)的檢測(cè)等），而不僅僅局限于教師所講內(nèi)容，從而提高了研討式教學(xué)的效果。

五、結(jié)論

在“計(jì)算機(jī)視覺”課程中引入研討式教學(xué)，通過總體設(shè)計(jì)規(guī)劃好整門課程內(nèi)容，課堂講解注意采用回顧—案例—小結(jié)的方式，筆者對(duì)如何上好研討式教學(xué)教師講解這部分課進(jìn)行了個(gè)人經(jīng)驗(yàn)的總結(jié)。通過本次教學(xué)改革，筆者體會(huì)到如果要提高教學(xué)效果，一定要注意教師講解與學(xué)生探討兩個(gè)環(huán)節(jié)的緊密結(jié)合。

參考文獻(xiàn)：

[1]侯婉瑩.我國(guó)研究型大學(xué)本科生科研研究[D].濟(jì)南：山東大學(xué)，

2009.

[2]張晴，李騰，韋艷，等.研討式教學(xué)模式的理論研究[J].中國(guó)科技縱橫，2011，（10）.

[3]D.H .巴拉德.計(jì)算機(jī)視覺[M].北京：科學(xué)出版社，1987.

第3篇：對(duì)計(jì)算機(jī)視覺的理解范文

【關(guān)鍵詞】Opencv;計(jì)算機(jī)視覺技術(shù);系統(tǒng);研究

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，計(jì)算機(jī)設(shè)備逐漸被應(yīng)用到社會(huì)生活的各個(gè)方面，尤其是在當(dāng)前計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)快速發(fā)展的時(shí)期，各個(gè)科技領(lǐng)域中的計(jì)算機(jī)視覺技術(shù)已經(jīng)逐漸成熟。計(jì)算機(jī)視覺技術(shù)主要是利用計(jì)算機(jī)智能化來替代人眼，即對(duì)于客觀存在的三維立體化世界的理解和識(shí)別，整個(gè)實(shí)現(xiàn)過程均是以計(jì)算機(jī)技術(shù)作為基礎(chǔ)。隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，現(xiàn)今其已逐漸成為了一門神經(jīng)生理學(xué)、計(jì)算機(jī)工程、信號(hào)學(xué)、物理學(xué)、應(yīng)用數(shù)學(xué)等綜合性學(xué)科。計(jì)算機(jī)視覺技術(shù)系統(tǒng)其在高性能計(jì)算機(jī)基礎(chǔ)之上來實(shí)現(xiàn)對(duì)大量數(shù)據(jù)的獲取，并且通過智能算法來對(duì)獲取數(shù)據(jù)進(jìn)行處理，從而完成對(duì)數(shù)據(jù)集成。

一、視頻中運(yùn)動(dòng)物體檢測(cè)原理

對(duì)于視頻中的運(yùn)動(dòng)物體檢測(cè)主要分為兩中方法，其一為宏觀檢測(cè)法;其二為微觀檢測(cè)法。宏觀檢測(cè)法是對(duì)獲得的整幅圖像進(jìn)行檢測(cè)，而微觀檢測(cè)法則是對(duì)所需要的區(qū)域進(jìn)行圖像檢測(cè)。視覺技術(shù)在檢測(cè)運(yùn)動(dòng)物體的時(shí)候，首先對(duì)圖像進(jìn)行采集，并對(duì)采集的信息數(shù)據(jù)進(jìn)行預(yù)處理，將圖像進(jìn)行分割，然后分別提取運(yùn)動(dòng)物體的影象，從而實(shí)現(xiàn)參數(shù)的更新。圖像采集過程中采用背景差分法，實(shí)現(xiàn)對(duì)背景圖像的提取，其通過一定算法采用人為手段獲取沒有背景的圖像。另外在進(jìn)行運(yùn)動(dòng)物體檢測(cè)的時(shí)候還可以采用幀間差分法，其主要是實(shí)時(shí)獲取幀圖，然后實(shí)現(xiàn)一幀一幀圖像比值的比較，從而獲取具有差值的圖像。運(yùn)動(dòng)物體進(jìn)行檢測(cè)的時(shí)候需連續(xù)獲取幀圖，將這些幀圖組合起來，其實(shí)就是物體的運(yùn)動(dòng)軌跡，然后同分割技術(shù)就能勾勒出物體的輪廓。隨著計(jì)算機(jī)視覺技術(shù)的不斷深入研究，發(fā)現(xiàn)此兩種方法單獨(dú)使用仍然存在的一些缺點(diǎn)，于是研究人員將二種檢測(cè)方法進(jìn)行融合，形成一種綜合檢測(cè)方法。綜合檢測(cè)法將兩者檢測(cè)方法的優(yōu)勢(shì)進(jìn)行了融合，并將其靈活的應(yīng)用到了生產(chǎn)和生活之中，取得了十分不錯(cuò)的效用。

二、基于Opencv的計(jì)算機(jī)視覺技術(shù)探究

（一）基于Opencv的運(yùn)動(dòng)物體檢測(cè)

運(yùn)動(dòng)物體在進(jìn)行檢測(cè)的時(shí)候，基于Opencv的檢測(cè)原理主要為：根據(jù)物體某項(xiàng)特定信息，例如，顏色、輪廓、性狀等，在復(fù)雜背景中利用這些特定的信息將物體分離出來。整個(gè)圖像的分離過程首先是進(jìn)行視頻流捕捉，然后是進(jìn)行視頻的格式轉(zhuǎn)換，再將圖像進(jìn)行預(yù)處理，從而提取前景物體，減少環(huán)境因素對(duì)圖像處理的誤差，最后根據(jù)物體特征提取，并完成對(duì)運(yùn)動(dòng)物體的跟蹤。從圖像中提取所需的目標(biāo)物體，其實(shí)質(zhì)就是對(duì)整個(gè)屋里輪廓進(jìn)行檢測(cè)和分割，根據(jù)每個(gè)圖像的幀差異來進(jìn)行提取。

（二）基于Opencv圖像預(yù)處理

視覺技術(shù)應(yīng)用于復(fù)雜的環(huán)境之中，由于存在著光照的變化，其場(chǎng)景中所出現(xiàn)的環(huán)境因素對(duì)視頻采集設(shè)備性能影響很大。環(huán)境因素會(huì)使得獲取的圖像信息的質(zhì)量降低，并且在圖像中無(wú)法避免的存在著噪點(diǎn)，這對(duì)于運(yùn)動(dòng)物體的檢測(cè)和圖像采集會(huì)造成很大的影響。當(dāng)獲取視頻幀圖像之后需對(duì)其數(shù)據(jù)進(jìn)行預(yù)處理，通常有平滑度濾波處理、圖像填充、圖像背景更新等。

1.平滑度濾波處理

由于在進(jìn)行視頻圖像采集的時(shí)候存在著噪點(diǎn)，那么我們就需要對(duì)其進(jìn)行噪點(diǎn)處理，以求減小噪聲。濾波平滑度濾波處理，其具有線性和非線性兩種方式，其中線性方式進(jìn)行處理器運(yùn)算簡(jiǎn)單、運(yùn)算速度快，但是在進(jìn)行處理之后的圖像都會(huì)呈現(xiàn)不清晰的情況。而非線性方式盡心給處理之后，雖然能夠很好的減小噪點(diǎn)，確保信號(hào)的局部特點(diǎn)，但是其運(yùn)算的速度會(huì)較慢。

2.圖像填充

對(duì)于幀圖像進(jìn)行處理，通常采用檢測(cè)邊緣填充法或者是腐蝕膨脹法來完成，其中填充法是指當(dāng)檢測(cè)出目標(biāo)物體之后，利用邊緣檢測(cè)方法來對(duì)物體進(jìn)行辨識(shí)，然后利用形態(tài)學(xué)的漫水填充法進(jìn)行填充。圖像的腐蝕膨脹則主要是由于攝像機(jī)的性能等問題造成的。

3.實(shí)時(shí)背景更新

在進(jìn)行圖像差分之前，需要對(duì)背景圖樣進(jìn)行確定，并且需要對(duì)其進(jìn)行初始化處理。以方便以后在進(jìn)行檢測(cè)時(shí)候能夠?qū)?shí)時(shí)背景圖進(jìn)行差分計(jì)算，只有這樣，才能夠獲得極佳的前景效果。在進(jìn)行圖像差分時(shí)，首先需要根據(jù)指定法來確定第一幀背景的圖像，并將其指定為第一張背景圖片，然后在檢測(cè)過程中根據(jù)算法對(duì)背景實(shí)施更新。整個(gè)圖像在進(jìn)行更新時(shí)，其主要的流程為：判斷并讀取圖像是否為第一幀;將Opencv處理的圖像轉(zhuǎn)化為單通道灰度值;將實(shí)時(shí)采集的圖像進(jìn)行高斯平滑度處理，去除噪點(diǎn);最后使用形態(tài)學(xué)濾波處理噪點(diǎn)。

（三）提取前景運(yùn)動(dòng)物體圖像

檢測(cè)運(yùn)動(dòng)物體的時(shí)候，只有在檢測(cè)流程中確保精確度，才能夠獲取滿意的前景跟蹤效果。此過程中主要分為兩個(gè)步驟，第一步為二值化圖像之后進(jìn)行分割;第二步，圖像分析前處理，進(jìn)行充分填充，確保前景圖的完整性。其中，前景圖的提取主要分為下面幾個(gè)步驟：首先對(duì)前景圖像和背景圖像進(jìn)行差分，然后對(duì)差分的圖像進(jìn)行二值化，再對(duì)背景中的前景圖像邊緣進(jìn)行檢測(cè)，根據(jù)輪廓進(jìn)行填充圖像。由于攝像頭存在于不同的場(chǎng)景和環(huán)境之中，不論是室外或者是室內(nèi)隨著場(chǎng)景的變化都會(huì)對(duì)圖像的采集產(chǎn)生影響。那么在前景圖中提取目標(biāo)就需要在檢測(cè)系統(tǒng)中采用有效手段來完成背景實(shí)時(shí)更新。

閥值二值化分割法可以對(duì)檢測(cè)的物體進(jìn)行前景和背景差圖分割，從而使目標(biāo)物體能夠分離出圖像，且閥值分割先要確定每個(gè)像素的點(diǎn)是否處于灰度范圍值之內(nèi)。將圖像中的像素灰度與確定的閥值進(jìn)行比較，其結(jié)果解釋所有像素點(diǎn)分為2類，一類像素的灰度小于閥值，另外一類就是大于閥值。閥值二值化分割時(shí)，確定分割的閥值T，然后分割圖像。選取合適的閥值進(jìn)行分割，可以有效的減少光照因素影響，常用的動(dòng)態(tài)閥值主要有直方圖來法與最大類方差法這另種分割方法。

三、計(jì)算機(jī)視覺三維技術(shù)

計(jì)算機(jī)視覺技術(shù)的核心為分割問題、運(yùn)動(dòng)分析、3D立體場(chǎng)景重構(gòu)等，立體視覺主要是從多幅圖像的參照中獲取目標(biāo)物體的三維幾何信息。計(jì)算機(jī)視覺所模擬出的3D立體畫面只需要攝像機(jī)從不同的角度同一時(shí)間針進(jìn)行圖像捕獲，將2D信息進(jìn)行3D重構(gòu)，進(jìn)而將計(jì)算機(jī)程序重建于真實(shí)的三維場(chǎng)景之中，以恢復(fù)物體的真實(shí)空間信息。

（一）視覺系統(tǒng)

視覺系統(tǒng)捕獲圖像的過程，實(shí)則可以看成為對(duì)大量信息進(jìn)行處理過程，整個(gè)系統(tǒng)處理可以分為三個(gè)層次，其一，理論層次;其二，描述層次;其三，實(shí)現(xiàn)層次。在攝像機(jī)視覺系統(tǒng)之中，輸入的是2D圖像，但是輸出為3D信息，而這就可以實(shí)現(xiàn)對(duì)圖像的位置、距離等信息的如實(shí)描述。視覺系統(tǒng)分為三個(gè)進(jìn)階層次，第一階段為基礎(chǔ)框架;第二階段為2.5D表達(dá);第三階段為三維階段。在第二階段中實(shí)現(xiàn)的2.5D表達(dá)，其原理是將不完整的3D圖像信息進(jìn)行表達(dá)，即以一個(gè)點(diǎn)為坐標(biāo)，從此點(diǎn)看去某一些物體的部分被遮擋。第三階段的三維階段，則是人眼觀察之后可以從不同的角度來觀察物體的整體框架，從而實(shí)現(xiàn)了將2.5D圖像信息的疊加重合運(yùn)算，進(jìn)一步處理之后得到了3D圖像。

（二）雙目視覺

人們從不同角度觀看同一時(shí)間內(nèi)的同一物體的時(shí)候，可以利用算法測(cè)量物體間的距離。此法被稱為雙目立體感覺，其依據(jù)的原理是視覺差原理，利用兩臺(tái)攝像機(jī)或者一臺(tái)攝像機(jī)，對(duì)兩幅不同的圖像進(jìn)行不同角度觀察，并且對(duì)其觀察的數(shù)據(jù)進(jìn)行對(duì)比分析。實(shí)現(xiàn)雙目立體視覺與平面視覺圖像獲取，其主要的步驟為：

（1）圖像獲取

從兩臺(tái)不同的攝像機(jī)，捕獲幀圖像，由于環(huán)境因素會(huì)造成圖像差異困難。為了更好的跟蹤目標(biāo)、檢測(cè)，當(dāng)捕獲圖像之后，需要對(duì)圖像進(jìn)行預(yù)處理。

（2）攝像標(biāo)定方式

獲得真實(shí)坐標(biāo)系中的場(chǎng)景點(diǎn)中的與平面成像點(diǎn)占比見的對(duì)應(yīng)關(guān)系，借用三維立體空間中的三維坐標(biāo)，標(biāo)定之后確定攝像機(jī)的位置以及屬性參數(shù)，并建立起成像的模型。

（3）特征提取方式

所謂的特征提取方式主要是為了提升檢測(cè)、跟蹤目標(biāo)的準(zhǔn)確性，需要對(duì)目標(biāo)物體進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)圖像分割提取。

（4）深度計(jì)算

深度信息主要是根據(jù)幾何光學(xué)原理，從三維世界進(jìn)行客觀分析，因?yàn)榫嚯x會(huì)產(chǎn)生不同的位置，會(huì)使得成像位置與兩眼視網(wǎng)膜上有所不同。簡(jiǎn)單來說，客觀景物的深度可以反映出雙目的視覺差，而利用視覺差的信息結(jié)合三角原理進(jìn)行計(jì)算，可呈現(xiàn)出深度的圖像信息。

（三）攝像機(jī)模型

攝像機(jī)在標(biāo)定過程中確定了其建立的基礎(chǔ)為攝像機(jī)的模型，攝像機(jī)模型在標(biāo)定過程中關(guān)系到三個(gè)不同坐標(biāo)系的轉(zhuǎn)換，分別為2D圖像平面坐標(biāo)系、攝像機(jī)自身坐標(biāo)系以及真實(shí)的世界坐標(biāo)系。攝像機(jī)在攝像的時(shí)候起本質(zhì)是2D圖像坐標(biāo)轉(zhuǎn)換，首先要定義攝像機(jī)的自身坐標(biāo)系，將坐標(biāo)系的原點(diǎn)設(shè)置為光心，X、Y、Z成立三維坐標(biāo)系。其次則是建立平面的圖像坐標(biāo)系，用以透視模型表示，其原點(diǎn)也在廣心的位置，稱之為主點(diǎn)。實(shí)際應(yīng)用中，物理的距離光心的位置d≠f焦距，而且會(huì)遠(yuǎn)遠(yuǎn)大于焦距，為了解決如此問題就提出了平面概念。在光軸z上設(shè)置一個(gè)虛擬的圖像平面，然后在此位置于平面關(guān)于光心對(duì)稱。接著，在設(shè)置的虛擬2D坐標(biāo)系中，光軸和原點(diǎn)重合，并且攝像機(jī)與垂直平面的垂直方向相同，真實(shí)圖像上的點(diǎn)影射到攝像機(jī)坐標(biāo)系。

（四）3D重構(gòu)算法

視頻流的采集，主要是采用Kinect設(shè)備、彩色攝像頭、紅外發(fā)射攝像頭、紅外接收攝像頭。使用微軟提供API控制Kinect設(shè)備，在操作之前需調(diào)用NUI初始化函數(shù)，將函數(shù)的參數(shù)設(shè)置為用戶信息深度圖數(shù)據(jù)、彩色圖數(shù)據(jù)、骨骼追蹤圖數(shù)據(jù)、深度圖數(shù)據(jù)。上述的視頻流的打開方式不同，既可以是一種打開方式，也可以是多種打開方式，尤其在進(jìn)行Kinect傳輸數(shù)據(jù)處理的時(shí)候，需遵循三條步驟的運(yùn)行管線。此三條管線分別為：第一條為處理彩色和深度數(shù)據(jù)，第二條為根據(jù)用索引添加顏色信息，并將其放入到深度圖之中，第三條為骨骼追蹤數(shù)據(jù)。

四、總結(jié)

隨著計(jì)算技術(shù)的快速發(fā)展，視覺技術(shù)逐漸被廣泛的應(yīng)用于我們?nèi)粘５难芯恐?。本文通過對(duì)視覺技術(shù)的相關(guān)問題進(jìn)行分析，探究了圖像處理、分割、前景提取、運(yùn)動(dòng)物體觀測(cè)以及重構(gòu)3D圖等問題，為實(shí)現(xiàn)視覺技術(shù)更加深入研究做出了相應(yīng)的貢獻(xiàn);為廣大參與計(jì)算機(jī)視覺技術(shù)研究同仁提供一個(gè)研究的思路，為實(shí)現(xiàn)視覺技術(shù)的騰飛貢獻(xiàn)薄力。

參考文獻(xiàn)

[1]張?？?基于Opencv的人手識(shí)別與跟蹤定位技術(shù)研究與實(shí)現(xiàn)[D].云南大學(xué)，2013.

第4篇：對(duì)計(jì)算機(jī)視覺的理解范文

生活中，每個(gè)人都問過別人“這件衣服是從哪買的？”“這雙鞋是什么牌子的？”這一問題很快會(huì)被AI技術(shù)解決，只需要拿出手機(jī)對(duì)著物品拍照，就會(huì)得到商品的各種信息，并且能一鍵買買買。這就是美國(guó)著名圖片社交網(wǎng)站Pinterest（拼趣）即將推出的應(yīng)用圖片識(shí)別購(gòu)買業(yè)務(wù)。

Pinterest總裁Tim Kendall表示，“Pinterest可以即刻在存儲(chǔ)750多億張圖片的巨大網(wǎng)絡(luò)空間內(nèi)進(jìn)行搜索，從而為用戶找到與所拍攝照片相似的配對(duì)圖片，以及查找到哪些地方能夠買到他們所需的商品?！?/p>

目前，Pinterest的估值已經(jīng)達(dá)到了110億美元，該公司的專注點(diǎn)正在向營(yíng)收增長(zhǎng)和創(chuàng)收方面轉(zhuǎn)變。相比Facebook、Twiter等社交網(wǎng)站，Pinterest已經(jīng)率先找到了一條清晰的創(chuàng)收道路。

從興趣到產(chǎn)品

亞里士多德曾經(jīng)說過，古往今來人們開始探索，都應(yīng)起源于對(duì)自然萬(wàn)物的驚異?？萍嫉倪M(jìn)步也是如此，就像微軟研發(fā)主管和項(xiàng)目負(fù)責(zé)人Mitch Goldberg所說：“我們想通過該應(yīng)用向人們展示識(shí)別技術(shù)的無(wú)限魅力。”

今年2月，微軟旗下的Garage實(shí)驗(yàn)室了一款名為“Fetch！”的應(yīng)用，它可通過機(jī)器學(xué)習(xí)系統(tǒng)識(shí)別照片中寵物狗的品種并用文字對(duì)該品種進(jìn)行簡(jiǎn)單的介紹。

隨著計(jì)算機(jī)視覺領(lǐng)域開始利用深層神經(jīng)網(wǎng)絡(luò)這種模仿人類大腦生物過程的系統(tǒng)來從事機(jī)器學(xué)習(xí)，識(shí)別的精確度實(shí)現(xiàn)了巨大飛躍。也就是說通過機(jī)器學(xué)習(xí)技術(shù)，F(xiàn)etch！識(shí)別的準(zhǔn)確度會(huì)越來越高，隨著大量圖片的涌入，F(xiàn)etch！ 可以自我修復(fù)錯(cuò)誤，從而更加精確地識(shí)別每一只狗的樣貌、形態(tài)、動(dòng)作。除了測(cè)試狗類品種以外，你還可以把朋友的照片上傳至平臺(tái)，看看他們能夠?qū)?yīng)出哪種寵物。

微軟的這款產(chǎn)品基于目前最為熱門的一種圖像識(shí)別技術(shù)――“深度神經(jīng)網(wǎng)絡(luò)”，同樣基于這種技術(shù)，微軟還有另一款有趣的產(chǎn)品：。去年5月，有超過5.75億圖片被提交到，超過8500萬(wàn)來自世界各地的使用者訪問了這個(gè)網(wǎng)站，只為尋找一個(gè)簡(jiǎn)單問題的答案――顏齡機(jī)器人認(rèn)為我看起來像幾歲？如果是合照，并且顏齡機(jī)器人識(shí)別出的自己比周圍人年齡小，則更能引發(fā)用戶的興趣，這種“損人利己”的識(shí)別應(yīng)用著實(shí)在社交媒體上火了一把。

另一讓計(jì)算機(jī)視覺研究技術(shù)人員特別感興趣的領(lǐng)域是生物識(shí)別，當(dāng)下最為火爆的莫過于人臉識(shí)別技術(shù)了。早期的人臉識(shí)別技術(shù)多為安防領(lǐng)域，如海關(guān)識(shí)別走私犯、商店識(shí)別小偷等。近年來，深度學(xué)習(xí)的研究與應(yīng)用使得人臉識(shí)別和人工智能的核心技術(shù)得到了極大的提升，攝像頭等圖像硬件的發(fā)展為人臉識(shí)別提供了很好的圖像基礎(chǔ)，如今人臉識(shí)別技術(shù)應(yīng)用更加廣泛，比如公司可以使用刷臉打卡來杜絕代人打卡簽到現(xiàn)象。

其實(shí)早在2012年，谷歌就開發(fā)出了安卓系統(tǒng)的“刷臉解鎖”技術(shù)，但因安全問題未解決，該技術(shù)一直未能得到普及。

而今年3月，電商巨頭亞馬遜提交了一項(xiàng)針購(gòu)物付費(fèi)的專利技術(shù)，即消費(fèi)者在亞馬遜網(wǎng)站購(gòu)物時(shí)可以通過自拍或者視頻來進(jìn)行付費(fèi)，無(wú)須再輸入賬號(hào)密碼。在消費(fèi)時(shí)系統(tǒng)會(huì)提示用戶表現(xiàn)出特定的行為、情緒或手勢(shì)來證明消費(fèi)者就是本人，而不是拿著照片的冒名頂替者。

亞馬遜表示，這項(xiàng)技術(shù)能使消費(fèi)者更加安全地進(jìn)行網(wǎng)上購(gòu)物，因?yàn)楹芏嘤脩魹榱耸∈聲?huì)把所有賬戶都用同一個(gè)密碼，或者把密碼記在手機(jī)里，一旦遭遇“撞庫(kù)”或者手機(jī)被盜，后果不堪設(shè)想，而刷臉技術(shù)則沒有這個(gè)風(fēng)險(xiǎn)。

除了識(shí)別人臉，在識(shí)別其他生物方面也有了突破性進(jìn)展，比如識(shí)別寄生蟲。瘧疾，是一種由瘧原蟲造成的全球性急性寄生蟲傳染病，據(jù)統(tǒng)計(jì)，2015年有大約有2.14億人受瘧疾的影響。

一直以來，醫(yī)療工作者是通過肉眼觀察采樣玻片來確定采樣對(duì)象是否被瘧原蟲感染，這不但是對(duì)醫(yī)療工作者經(jīng)驗(yàn)的考驗(yàn)，而且工作效率也十分低下，而貧困地區(qū)一直都缺乏有經(jīng)驗(yàn)的醫(yī)療工作者。

今年2月，根據(jù)MIT Technology Review報(bào)道，Intellectual Ventures Laboratory（智能事業(yè)實(shí)驗(yàn)室）開發(fā)出了能夠檢測(cè)和評(píng)估瘧疾感染的便攜式顯微鏡。這種顯微鏡采用的是一個(gè)名為“Autoscope”的系統(tǒng)，通過計(jì)算機(jī)視覺和深度神經(jīng)網(wǎng)絡(luò)技術(shù)，采用深度學(xué)習(xí)算法來鑒別瘧原蟲。這款便攜式顯微鏡今年在泰國(guó)實(shí)地測(cè)試，成功鑒別出了 170塊玻片中的瘧原蟲如果這項(xiàng)技術(shù)得到普及之后，只要診所有一臺(tái)Autoscope顯微鏡和一些載玻片，就可解決瘧疾的診斷問題，這將使瘧疾診斷不再依賴于有限的專業(yè)醫(yī)療人員。

技術(shù)轉(zhuǎn)化為產(chǎn)品

新技術(shù)的出現(xiàn)，讓計(jì)算機(jī)不但“看見”這個(gè)世界，更能“看懂”這個(gè)世界，可以代替人眼甚至超越人眼。

人的視野是有限的，并且會(huì)受到周邊條件的影響，駕駛員在開車時(shí)會(huì)有視野盲區(qū)，還會(huì)受到光線的影響，并且大霧、暴雨等極端天氣也會(huì)嚴(yán)重影響駕駛員的視線。而計(jì)算機(jī)視覺技術(shù)就不一樣了，視野會(huì)更開闊，受限制更小。根據(jù)汽車媒體《Leftlane》報(bào)道，福特公司最新的無(wú)人駕駛汽車研究計(jì)劃是由激光感應(yīng)（LiDAR）和雷達(dá)、攝像頭形成一張周圍環(huán)境的高清3D地圖，不但讓無(wú)人駕駛汽車看到攝像頭視野范圍之外的物體，而且并不受光線限制。在夜間試駕后，福特工程師Wayne Williams說：“坐在汽車?yán)?，我能感到它在走，但是我往車外看，只能看到一片漆黑。結(jié)果令人驚喜，車輛準(zhǔn)確地沿著蜿蜒的道路行駛。”

識(shí)別場(chǎng)景這一領(lǐng)域技術(shù)的發(fā)展，使得計(jì)算機(jī)不但能當(dāng)機(jī)器的眼睛，還能變成人類的眼睛。

對(duì)于雙目失明的人來說，能親自感知這個(gè)世界是夢(mèng)寐以求的事，而微軟2016 Build開發(fā)者大會(huì)上Seeing AI項(xiàng)目正是要幫助盲人實(shí)現(xiàn)這一愿望。

Seeing AI項(xiàng)目是通過計(jì)算機(jī)視覺和自然語(yǔ)言去形容一個(gè)人的周圍環(huán)境、朗讀文本、回答問題以及識(shí)別人的面部表情，可以在手機(jī)上使用，也可以在Pivothead的智能眼鏡上使用。如果投入使用，將有助于為視障人士營(yíng)造更公平的環(huán)境，是一款能夠真正改變?nèi)藗兩畹漠a(chǎn)品，就像此項(xiàng)目的高級(jí)項(xiàng)目經(jīng)理Anne Taylor所說的，這是“為真正重要的場(chǎng)景尋求解決方案”。也許不久微軟能開發(fā)出一種仿生眼，直接發(fā)送視覺信號(hào)到大腦，讓盲人真正看到這個(gè)世界。

第5篇：對(duì)計(jì)算機(jī)視覺的理解范文

國(guó)內(nèi)人工智能產(chǎn)業(yè)鏈解構(gòu)

基礎(chǔ)技術(shù)、人工智能技術(shù)和人工智能應(yīng)用構(gòu)成了人工智能產(chǎn)業(yè)鏈的三個(gè)核心環(huán)節(jié)，我們將主要從這三個(gè)方面對(duì)國(guó)內(nèi)人工智能產(chǎn)業(yè)進(jìn)行梳理，并對(duì)其中的人工智能應(yīng)用進(jìn)行重點(diǎn)解構(gòu)。

人工智能的基礎(chǔ)技術(shù)主要依賴于大數(shù)據(jù)管理和云計(jì)算技術(shù)，經(jīng)過近幾年的發(fā)展，國(guó)內(nèi)大數(shù)據(jù)管理和云計(jì)算技術(shù)已從一個(gè)嶄新的領(lǐng)域逐步轉(zhuǎn)變?yōu)榇蟊娀?wù)的基礎(chǔ)平臺(tái)。而依據(jù)服務(wù)性質(zhì)的不同，這些平臺(tái)主要集中于三個(gè)服務(wù)層面，即基礎(chǔ)設(shè)施即服務(wù)（IaaS）、平臺(tái)即服務(wù)（PaaS）和軟件即服務(wù)（SaaS）。基礎(chǔ)技術(shù)提供平臺(tái)為人工智能技術(shù)的實(shí)現(xiàn)和人工智能應(yīng)用的落地提供基礎(chǔ)的后臺(tái)保障，也是一切人工智能技術(shù)和應(yīng)用實(shí)現(xiàn)的前提。

對(duì)于許多中小型企業(yè)來說，SaaS 是采用先進(jìn)技術(shù)的最好途徑，它消除了企業(yè)購(gòu)買、構(gòu)建和維護(hù)基礎(chǔ)設(shè)施和應(yīng)用程序的需要；而 IaaS通過三種不同形態(tài)服務(wù)的提供（公有云、私有云和混合云）可以更快地開發(fā)應(yīng)用程序和服務(wù)，縮短開發(fā)和測(cè)試周期；作為 SaaS 和 IaaS 中間服務(wù)的 PaaS 則為二者的實(shí)現(xiàn)提供了云環(huán)境中的應(yīng)用基礎(chǔ)設(shè)施服務(wù)。

人工智能技術(shù)平臺(tái)

與基礎(chǔ)技術(shù)提供平臺(tái)不同，人工智能技術(shù)平臺(tái)主要專注于機(jī)器學(xué)習(xí)、模式識(shí)別和人機(jī)交互三項(xiàng)與人工智能應(yīng)用密切相關(guān)的技術(shù)，所涉及的領(lǐng)域包括機(jī)器視覺、指紋識(shí)別、人臉識(shí)別、視網(wǎng)膜識(shí)別、虹膜識(shí)別、掌紋識(shí)別、專家系統(tǒng)、自動(dòng)規(guī)劃、智能搜索、定理證明、博弈、自動(dòng)程序設(shè)計(jì)、智能控制、機(jī)器人學(xué)習(xí)、語(yǔ)言和圖像理解和遺傳編程等。

機(jī)器學(xué)習(xí)：通俗的說就是讓機(jī)器自己去學(xué)習(xí)，然后通過學(xué)習(xí)到的知識(shí)來指導(dǎo)進(jìn)一步的判斷。我們用大量的標(biāo)簽樣本數(shù)據(jù)來讓計(jì)算機(jī)進(jìn)行運(yùn)算并設(shè)計(jì)懲罰函數(shù)，通過不斷的迭代，機(jī)器就學(xué)會(huì)了怎樣進(jìn)行分類，使得懲罰最小。這些學(xué)到的分類規(guī)則可以進(jìn)行預(yù)測(cè)等活動(dòng)，具體應(yīng)用覆蓋了從通用人工智能應(yīng)用到專用人工智能應(yīng)用的大多數(shù)領(lǐng)域，如：計(jì)算機(jī)視覺、自然語(yǔ)言處理、生物特征識(shí)別、證券市場(chǎng)分析和DNA 測(cè)序等。

模式識(shí)別：模式識(shí)別就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀，它偏重于對(duì)信號(hào)、圖像、語(yǔ)音、文字、指紋等非直觀數(shù)據(jù)方面的處理，如語(yǔ)音識(shí)別，人臉識(shí)別等，通過提取出相關(guān)的特征來實(shí)現(xiàn)一定的目標(biāo)。文字識(shí)別、語(yǔ)音識(shí)別、指紋識(shí)別和圖像識(shí)別等都屬于模式識(shí)別的場(chǎng)景應(yīng)用。

人機(jī)交互：人機(jī)交互是一門研究系統(tǒng)與用戶之間交互關(guān)系的學(xué)問。系統(tǒng)可以是各種各樣的機(jī)器，也可以是計(jì)算機(jī)化的系統(tǒng)和軟件。在應(yīng)用層面，它既包括人與系統(tǒng)的語(yǔ)音交互，也包含了人與機(jī)器人實(shí)體的物理交互。

而在國(guó)內(nèi)，人工智能技術(shù)平臺(tái)在應(yīng)用層面主要聚焦于計(jì)算機(jī)視覺、語(yǔ)音識(shí)別和語(yǔ)言技術(shù)處理領(lǐng)域，其中的代表企業(yè)包括科大訊飛、格靈深瞳、捷通華聲（靈云）、地平線、SenseTime、永洪科技、曠視科技、云知聲等。

人工智能應(yīng)用

人工智能應(yīng)用涉及到專用應(yīng)用和通用應(yīng)用兩個(gè)方面，這也是機(jī)器學(xué)習(xí)、模式識(shí)別和人機(jī)交互這三項(xiàng)人工智能技術(shù)的落地實(shí)現(xiàn)形式。其中，專用領(lǐng)域的應(yīng)用涵蓋了目前國(guó)內(nèi)人工智能應(yīng)用的大多數(shù)應(yīng)用，包括各領(lǐng)域的人臉和語(yǔ)音識(shí)別以及服務(wù)型機(jī)器人等方面；而通用型則側(cè)重于金融、醫(yī)療、智能家居等領(lǐng)域的通用解決方案，目前國(guó)內(nèi)人工智能應(yīng)用正處于由專業(yè)應(yīng)用向通用應(yīng)用過度的發(fā)展階段。

（1）計(jì)算機(jī)視覺在國(guó)內(nèi)計(jì)算機(jī)視覺領(lǐng)域，動(dòng)靜態(tài)圖像識(shí)別和人臉識(shí)別是主要研究方向

圖像識(shí)別：是計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)像的技術(shù)。識(shí)別過程包括圖像預(yù)處理、圖像分割、特征提取和判斷匹配。

人臉識(shí)別：是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測(cè)和跟蹤人臉，進(jìn)而對(duì)檢測(cè)到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù)，通常也叫做人像識(shí)別、面部識(shí)別。

目前，由于動(dòng)態(tài)檢測(cè)與識(shí)別的技術(shù)門檻限制，靜態(tài)圖像識(shí)別與人臉識(shí)別的研究暫時(shí)處于領(lǐng)先位置，其中既有騰訊、螞蟻金服、百度和搜狗這樣基于社交、搜索大數(shù)據(jù)整合的互聯(lián)網(wǎng)公司，也有三星中國(guó)技術(shù)研究院、微軟亞洲研究院、Intel中國(guó)研究院這類的傳統(tǒng)硬件與技術(shù)服務(wù)商；同時(shí)，類似于 Face++ 和FaceID 這類的新興技術(shù)公司也在各自專業(yè)技術(shù)和識(shí)別準(zhǔn)確率上取得了不錯(cuò)的突破。

而在難度最大的動(dòng)態(tài)視覺檢測(cè)領(lǐng)域，格靈深瞳、東方網(wǎng)力和 Video++ 等企業(yè)的著力點(diǎn)主要在企業(yè)和家庭安防，在一些常見的應(yīng)用場(chǎng)景也與人臉識(shí)別技術(shù)聯(lián)動(dòng)使用。

（2）語(yǔ)音/語(yǔ)義識(shí)別

語(yǔ)音識(shí)別的關(guān)鍵基于大量樣本數(shù)據(jù)的識(shí)別處理，因此，國(guó)內(nèi)大多數(shù)語(yǔ)音識(shí)別技術(shù)商都在平臺(tái)化的方向上發(fā)力，希望通過不同平臺(tái)以及軟硬件方面的數(shù)據(jù)和技術(shù)積累不斷提高識(shí)別準(zhǔn)確率。

在通用識(shí)別率上，各企業(yè)的成績(jī)基本維持在 95% 左右，真正的差異化在于對(duì)垂直領(lǐng)域的定制化開發(fā)。類似百度、科大訊飛這樣的上市公司憑借著深厚的技術(shù)、數(shù)據(jù)積累占據(jù)在市場(chǎng)前列的位置，并且通過軟硬件服務(wù)的開發(fā)不斷進(jìn)化著自身的服務(wù)能力；此外，在科大訊飛之后國(guó)內(nèi)第二家語(yǔ)音識(shí)別公有云的云知聲在各項(xiàng)通用語(yǔ)音服務(wù)技術(shù)的提供上也占據(jù)著不小的市場(chǎng)空間。值得注意的是，不少機(jī)器人和通用硬件制造商在語(yǔ)音、語(yǔ)義的識(shí)別上也取得了不錯(cuò)的進(jìn)展，例如智臻智能推出的小 i 機(jī)器人的語(yǔ)義識(shí)別、圖靈機(jī)器人的個(gè)性化語(yǔ)音助手機(jī)器人和服務(wù)、被 Google 投資的出門問問的軟硬件服務(wù)。

（3）智能機(jī)器人

由于工業(yè)發(fā)展和智能化生活的需要，目前國(guó)內(nèi)智能機(jī)器人行業(yè)的研發(fā)主要集中于家庭機(jī)器人、工業(yè)企業(yè)服務(wù)和智能助手三個(gè)方面其中，工業(yè)及企業(yè)服務(wù)類的機(jī)器人研發(fā)企業(yè)依托政策背景和市場(chǎng)需要處于較為發(fā)達(dá)的發(fā)展階段，代表性企業(yè)包括依托中科院沈陽(yáng)自動(dòng)化研究所的新松機(jī)器人、聚焦智能醫(yī)療領(lǐng)域的博實(shí)股份，以及大疆、優(yōu)愛寶機(jī)器人、Slamtec 這類專注工業(yè)生產(chǎn)和企業(yè)服務(wù)的智能機(jī)器人公司。在以上三個(gè)分類中，從事家庭機(jī)器人和智能助手的企業(yè)占據(jù)著絕大多數(shù)比例，涉及到的國(guó)內(nèi)企業(yè)近 300 家。

（4）智能家居

與家庭機(jī)器人不同，智能家居和物聯(lián)企業(yè)的主要著力點(diǎn)在于智能設(shè)備和智能中控兩個(gè)方面。在這其中，以海爾和美的為代表的傳統(tǒng)家電企業(yè)依托自身渠道、技術(shù)和配套產(chǎn)品優(yōu)勢(shì)建立起了實(shí)體化智能家居產(chǎn)品生態(tài). 而以阿里、騰訊、京東、小米和樂視等互聯(lián)網(wǎng)企業(yè)為代表的公司則通過各自平臺(tái)內(nèi)的數(shù)據(jù)和終端資源提供不同的軟硬件服務(wù)。

值得關(guān)注的是，科沃斯、broadlink、感居物聯(lián)、風(fēng)向標(biāo)科技、歐瑞博、物聯(lián)傳感和華為等技術(shù)解決方案商在通用硬件和技術(shù)、系統(tǒng)級(jí)解決方案上已成為諸多智能家居和物聯(lián)企業(yè)的合作伙伴。綜合來看，智能家居和物聯(lián)企業(yè)由于市場(chǎng)分類、技術(shù)種類和數(shù)據(jù)積累的不同各自提供著差異化的解決方案。在既定市場(chǎng)中，沒有絕對(duì)意義上的排斥競(jìng)爭(zhēng)，各企業(yè)之間的合作融合度較強(qiáng)。

（5）智能醫(yī)療

目前國(guó)內(nèi)智能醫(yī)療領(lǐng)域的研究主要集中于醫(yī)療機(jī)器人、醫(yī)療解決方案和生命科學(xué)領(lǐng)域。由于起步較晚和技術(shù)門檻的限制，目前國(guó)內(nèi)醫(yī)用機(jī)器人的研發(fā)水平和普及率相較于國(guó)際一線水平仍存在一定的差距，從事企業(yè)主要集中與手術(shù)機(jī)器人和康復(fù)機(jī)器人兩大領(lǐng)域，以新松機(jī)器人、博實(shí)股份、妙手機(jī)器人、和技創(chuàng)等企業(yè)為代表。

在醫(yī)療解決方案方面，以騰訊、阿里巴巴、百度和科大訊飛為代表的公司通過和政府、醫(yī)療機(jī)構(gòu)的合作，為腦科學(xué)、疾病防治與醫(yī)療信息數(shù)據(jù)等領(lǐng)域提供智能解決方案。而在生命科學(xué)領(lǐng)域，研究的著眼點(diǎn)在以基因和細(xì)胞檢測(cè)為代表的前沿研究領(lǐng)域。

綜合來看，國(guó)內(nèi)人工智能產(chǎn)業(yè)鏈的基礎(chǔ)技術(shù)鏈條已經(jīng)構(gòu)建成熟，人工智能技術(shù)和應(yīng)用則集中在人臉和圖像識(shí)別、語(yǔ)音助手、智能生活等專用領(lǐng)域的場(chǎng)景化解決方案上。就趨勢(shì)來看，未來國(guó)內(nèi)人工智能領(lǐng)域的差異化競(jìng)爭(zhēng)和突破將主要集中在人工智能相關(guān)技術(shù)的突破和應(yīng)用場(chǎng)景升級(jí)兩個(gè)層面。

未來國(guó)內(nèi)人工智能行業(yè)發(fā)展的五大趨勢(shì)

（1）機(jī)器學(xué)習(xí)與場(chǎng)景應(yīng)用將迎來下一輪爆發(fā)

根據(jù) Venture Scanner 的統(tǒng)計(jì)，截至 2015 年 9 月，全球人工智能領(lǐng)域獲得投資的公司中，按照平均融資額度排名的五大業(yè)務(wù)依次是：機(jī)器學(xué)習(xí)（應(yīng)用類）、智能機(jī)器人、計(jì)算機(jī)視覺（研發(fā)類）、機(jī)器學(xué)習(xí)（研發(fā)類）和視頻內(nèi)容識(shí)別等。

自 2009 年以來，人工智能已經(jīng)吸引了超過 170 億美元的投資。過去四年間，人工智能領(lǐng)域的民間投資以平均每年 62% 的增長(zhǎng)速率增加，這一速率預(yù)計(jì)還會(huì)持續(xù)下去。而在 2015 年，全球人工智能領(lǐng)域的投資占到了年度總投資的 5%，盡管高于 2013 年的2% ，但相比其他競(jìng)爭(zhēng)領(lǐng)域仍處于落后位置。

目前中國(guó)地區(qū)人工智能領(lǐng)域獲得投資最多的五大細(xì)分領(lǐng)域是計(jì)算機(jī)視覺（研發(fā)類）、自然語(yǔ)言處理、私人虛擬助理、智能機(jī)器人和語(yǔ)音識(shí)別。從投資領(lǐng)域和趨勢(shì)來看，未來國(guó)內(nèi)人工智能行業(yè)的資本將主要涌向機(jī)器學(xué)習(xí)與場(chǎng)景應(yīng)用兩大方向。

（2）專用領(lǐng)域的智能化仍是發(fā)展核心

基于 GPU（圖形處理器）計(jì)算速度（每半年性能增加一倍）和基礎(chǔ)技術(shù)平臺(tái)的飛速發(fā)展，企業(yè)對(duì)于人工智能神經(jīng)網(wǎng)絡(luò)的構(gòu)建取得了前所未有的突破。但是，由于人工智能各領(lǐng)域技術(shù)和算法的復(fù)雜性，未來 20 年內(nèi)人工智能的應(yīng)用仍將集中于人臉和圖像識(shí)別、語(yǔ)音助手和智能家居等專用領(lǐng)域。

通過上述產(chǎn)業(yè)鏈環(huán)節(jié)構(gòu)成和投資分類可以看出，優(yōu)勢(shì)企業(yè)的核心競(jìng)爭(zhēng)力主要集中于特定領(lǐng)域的專用技術(shù)研發(fā)；其中，計(jì)算機(jī)視覺和語(yǔ)音識(shí)別領(lǐng)域的研發(fā)和應(yīng)用已處于國(guó)際一流水平，專業(yè)應(yīng)用機(jī)器人的研發(fā)也有望近 10 年內(nèi)迎來突破性發(fā)展?？梢灶A(yù)見的是，在由專業(yè)領(lǐng)域向通用領(lǐng)域過渡的過程中，自然語(yǔ)言處理與計(jì)算機(jī)視覺兩個(gè)方向?qū)?huì)成為人工智能通用應(yīng)用最大的兩個(gè)突破口。

（3）產(chǎn)業(yè)分工日漸明晰，企業(yè)合作大于競(jìng)爭(zhēng)

隨著專用領(lǐng)域應(yīng)用開發(fā)的成熟和差異化技術(shù)門檻的存在，國(guó)內(nèi)人工智能產(chǎn)業(yè)將逐漸分化為底層基礎(chǔ)構(gòu)建、通用場(chǎng)景應(yīng)用和專用應(yīng)用研發(fā)三個(gè)方向。

在底層基礎(chǔ)構(gòu)建方面，騰訊、阿里巴巴、百度、華為等企業(yè)依托自身數(shù)據(jù)、算法、技術(shù)和服務(wù)器優(yōu)勢(shì)為行業(yè)鏈條的各公司提供基礎(chǔ)資源支持的同時(shí)，也會(huì)將自身優(yōu)勢(shì)轉(zhuǎn)化為通用和專業(yè)應(yīng)用領(lǐng)域的研究，從而形成自身生態(tài)內(nèi)的人工智能產(chǎn)業(yè)鏈閉環(huán)。

在通用場(chǎng)景應(yīng)用方面，以科大訊飛、格靈深瞳和曠視科技為代表的企業(yè)將主要以計(jì)算機(jī)視覺和語(yǔ)音識(shí)別為方向，為安防、教育和金融等領(lǐng)域提供通用解決方案。而在專用應(yīng)用研發(fā)方面則集中了大部分硬件和創(chuàng)業(yè)企業(yè)，這其中既包括以小米和 broadlink 為代表的智能家居解決方案商，也包含了出門問問、linkface 和優(yōu)必選這類的差異化應(yīng)用提供商。

總的來說，由通用領(lǐng)域向?qū)I(yè)領(lǐng)域的進(jìn)化離不開產(chǎn)業(yè)鏈條各核心環(huán)節(jié)企業(yè)的相互配合，專用領(lǐng)域的競(jìng)爭(zhēng)盡管存在，但各分工層級(jí)間的協(xié)作互通已成為多數(shù)企業(yè)的共識(shí)。

（4）系統(tǒng)級(jí)開源將成為常態(tài)

任何一個(gè)人工智能研究分支都涉及到異常龐大的代碼計(jì)算，加上漏洞排查與跨領(lǐng)域交叉，任何一家企業(yè)都無(wú)法做到在封閉環(huán)境內(nèi)取得階段性突破的可能。可以看到的趨勢(shì)是，Google、微軟、Facebook 和雅虎等視人工智能為未來核心競(jìng)爭(zhēng)力的頂級(jí)企業(yè)都先后開放了自身的人工智能系統(tǒng)。

需要明確的一點(diǎn)是，開源并不代表核心技術(shù)和算法的完全出讓，底層系統(tǒng)的開源將會(huì)讓更多企業(yè)從不同維度參與到人工智能相關(guān)領(lǐng)域的研發(fā)，這為行業(yè)層面新產(chǎn)品的快速迭代和共同試錯(cuò)提供了一個(gè)良性且規(guī)范化的共生平臺(tái)。于開放企業(yè)而言，這也確保了它們與行業(yè)最新前沿技術(shù)的同步。

（5）算法突破將拉開競(jìng)爭(zhēng)差距

作為人工智能實(shí)現(xiàn)的核心，算法將成為未來國(guó)內(nèi)人工智能行業(yè)最大的競(jìng)爭(zhēng)門檻。以 Google 為例，Google 旗下的搜索算法實(shí)驗(yàn)室每天都要進(jìn)行超過 200 次的改進(jìn)，以完成由關(guān)鍵字匹配到知識(shí)圖譜、語(yǔ)義搜索的算法創(chuàng)新。

在未來競(jìng)爭(zhēng)的重點(diǎn)機(jī)器學(xué)習(xí)領(lǐng)域，監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)三個(gè)方面算法的競(jìng)爭(zhēng)將進(jìn)入白熱化階段。而正是算法層面的突破造就了騰訊優(yōu)圖、科大訊飛和格靈深瞳等企業(yè)在圖像識(shí)別和計(jì)算機(jī)視覺領(lǐng)域取得了突破性進(jìn)展和國(guó)際一線的技術(shù)水平。

但就目前國(guó)內(nèi)人工智能算法的總體發(fā)展而言，工程學(xué)算法雖已取得階段性突破，但基于認(rèn)知層面的算法水平還亟待提高，這也是未來競(jìng)爭(zhēng)的核心領(lǐng)域。

總的來看，雖然基礎(chǔ)技術(shù)的成熟帶來了存儲(chǔ)容量和機(jī)器學(xué)習(xí)等人工智能技術(shù)的提升，但由于現(xiàn)階段運(yùn)算能力以及大規(guī)模 CPU 和GPU 并行解決方案的局限，目前國(guó)內(nèi)人工智能的發(fā)展主要集中于計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、智能生活等方向上。

雖然專用化領(lǐng)域的場(chǎng)景應(yīng)用仍是目前研發(fā)和投資的核心，但隨著技術(shù)、數(shù)據(jù)的積累演化以及超算平臺(tái)的應(yīng)用，由專用化領(lǐng)域的場(chǎng)景應(yīng)用向語(yǔ)音、視覺等領(lǐng)域的通用化解決方案應(yīng)該在未來 20 年內(nèi)成為發(fā)展的主流。

第6篇：對(duì)計(jì)算機(jī)視覺的理解范文

Abstract: Surface roughness is key indexes to evaluate surface quality. Surface quality has influence on service life and usability. Two basic measuring methods are introduced: contact measuring and non-contact measuring. Non-contact measuring method based on the computer vision technology is discussed in detail.

關(guān)鍵詞： 表面粗糙度；非接觸；光學(xué)測(cè)量

Key words: surface roughness；non-contact；optics measurement

中圖分類號(hào)：TH6文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2011）08-0050-02

0引言

隨著科學(xué)技術(shù)的進(jìn)步和社會(huì)的發(fā)展，人們對(duì)于機(jī)械產(chǎn)品表面質(zhì)量的要求越來越高。表面粗糙度是評(píng)價(jià)工件表面質(zhì)量的一個(gè)重要指標(biāo)，國(guó)內(nèi)外很多學(xué)者在表面粗糙度檢測(cè)方面做了大量研究工作。目前測(cè)量表面粗糙度的主要方法有：接觸式測(cè)量和非接觸式測(cè)量。

1接觸式測(cè)量

接觸式測(cè)量就是測(cè)量裝置的探測(cè)部分直接接觸被測(cè)表面，能夠直觀地反映被測(cè)表面的信息，接觸式測(cè)量方法主要是觸針法，該方法經(jīng)過幾十年的充分發(fā)展，以其穩(wěn)定、可靠的特點(diǎn)被廣泛應(yīng)用。但接觸式測(cè)量存在很大的缺陷，具體表現(xiàn)在：①對(duì)高精度表面及軟質(zhì)金屬表面有劃傷破壞作用；②受觸針尖端圓弧半徑的限制，其測(cè)量精度有限；③因觸針磨損及測(cè)量速度的限制，無(wú)法實(shí)現(xiàn)在線實(shí)時(shí)測(cè)量[1]。

2非接觸式測(cè)量

為了克服接觸式測(cè)量方法的不足，人們對(duì)非接觸式測(cè)量方法進(jìn)行了廣泛研究。研究表明，非接觸式測(cè)量方法具有非接觸、無(wú)損傷、快速、測(cè)量精度高、易于實(shí)現(xiàn)在線測(cè)量、響應(yīng)速度快等優(yōu)點(diǎn)。目前已有的非接觸式測(cè)量方法包括各種光學(xué)測(cè)量方法、超聲法、掃描隧道顯微鏡法、基于計(jì)算機(jī)視覺技術(shù)的表面粗糙度檢測(cè)方法等。這里我們只對(duì)基于光學(xué)散射原理的測(cè)量方法、基于光學(xué)干涉原理的測(cè)量方法和基于計(jì)算機(jī)視覺技術(shù)的測(cè)量方法做簡(jiǎn)單介紹。

2.1 基于光學(xué)散射原理的測(cè)量方法當(dāng)一束光以一定的角度照射到物體表面后，加工表面的粗糙不平將引起發(fā)生散射現(xiàn)象。研究表明：表面粗糙度和散射光強(qiáng)度分布有一定的關(guān)系。對(duì)于表面粗糙度數(shù)值較小的表面，散射光能較弱，反射光能較強(qiáng)；反之，表面粗糙度數(shù)值較大的表面，散射光能較強(qiáng)，反射光能較弱。

基于光學(xué)散射原理測(cè)量表面粗糙度的研究方法和理論較多。四川聯(lián)合大學(xué)和哈爾濱理工大學(xué)相繼提出了一種稱之為散射特征值的參數(shù)，表征被測(cè)物體表面上反射光和散射光的分散度，散射特征值與被測(cè)物體表面的粗糙度有很好的對(duì)應(yīng)關(guān)系[2]。哈爾濱理工大學(xué)利用已知表面粗糙度參數(shù)值的標(biāo)準(zhǔn)樣塊測(cè)得其散射特征值，建立―關(guān)系曲線，從而實(shí)現(xiàn)利用散射特征值測(cè)量火炮內(nèi)膛表面粗糙度[3]。

基于光學(xué)散射原理的表面粗糙度檢測(cè)方法，具有結(jié)構(gòu)簡(jiǎn)單、體積小、易于集成產(chǎn)品、動(dòng)態(tài)響應(yīng)好、適于在線測(cè)量等優(yōu)點(diǎn)。該方法的缺點(diǎn)是測(cè)量精度不高，用于超光滑表面粗糙度的測(cè)量還有待進(jìn)一步改進(jìn)。

2.2 基于光學(xué)干涉原理的測(cè)量方法當(dāng)相干光照射到工件表面同一位置時(shí)，由于光波的相互位相關(guān)系，將產(chǎn)生光波干涉現(xiàn)象。一般的干涉法測(cè)量是利用被測(cè)面和標(biāo)準(zhǔn)參考面反射的光束進(jìn)行比較，對(duì)干涉條紋做適當(dāng)變換，通過測(cè)量干涉條紋的相對(duì)變形來定量檢測(cè)表面粗糙度。該方法的測(cè)量精度取決于光的波長(zhǎng)。但是由于干涉條紋的分辨率是以光波波長(zhǎng)的一半為極限的，僅從條紋的狀態(tài)無(wú)法判斷表面是凸起還是凹陷，因此，作為一種具有較好分辨率、寬測(cè)量范圍的表面粗糙度在線檢測(cè)技術(shù)，這種干涉法測(cè)量技術(shù)還有待于進(jìn)一步發(fā)展[4]。

基于光學(xué)干涉原理，1984年美國(guó)洛克西德導(dǎo)彈公司huang采用共模抑制技術(shù)研制成功了光學(xué)外差輪廓儀，光外差干涉檢測(cè)技術(shù)是一種具有納米級(jí)測(cè)量準(zhǔn)確度的高精度光學(xué)測(cè)量方法，適用于精加工、超精加工表面的測(cè)量，而且可以進(jìn)行動(dòng)態(tài)時(shí)間的研究；華中理工大學(xué)采用光外差干涉方法研制出2D-SROP-1型表面粗糙度輪廓儀[5]。美國(guó)的維易科（VEECO）精密儀器有限公司，采用共光路干涉法研制了WYKO激光干涉儀和光學(xué)輪廓儀，可用來測(cè)量干涉條紋位相[6]。

基于光學(xué)干涉原理測(cè)量表面粗糙度分辨率高，適于測(cè)量超光滑表面粗糙度，但由于該方法的測(cè)量精度受光波波長(zhǎng)的影響很大，所以其測(cè)量范圍受到一定影響。

2.3 基于計(jì)算機(jī)視覺技術(shù)的測(cè)量方法基于計(jì)算機(jī)視覺的粗糙度測(cè)量方法是指使用攝像機(jī)抓取圖像，然后將該圖像傳送至處理單元，通過數(shù)字化處理，根據(jù)像素分布和灰度、紋理、形狀、顏色等信息，選用合理的算法計(jì)算工件的粗糙度參數(shù)值。近年來，隨著計(jì)算機(jī)技術(shù)和工業(yè)生產(chǎn)的不斷發(fā)展，該方法受到越來越多的關(guān)注。

北京理工大學(xué)的王仲春等人采用顯微鏡對(duì)檢測(cè)表面進(jìn)行放大，并通過對(duì)CCD采集加工表面微觀圖像進(jìn)行處理實(shí)現(xiàn)了表面粗糙度的檢測(cè)[7]。哈爾濱理工大學(xué)吳春亞、劉獻(xiàn)禮等為解決機(jī)械加工表面粗糙度的快速、在線檢測(cè)，設(shè)計(jì)了一種表面粗糙度圖像檢測(cè)方法，建立了圖像灰度變化信息與表面粗糙度之間的關(guān)系模型[8]。英國(guó)學(xué)者Hossein Ragheb和Edwin R.Hancock通過數(shù)碼相機(jī)拍攝的表面反射圖來估計(jì)表面粗糙度參數(shù)，運(yùn)用Vernold Harvey修正的B K散射理論模型獲得了比Oren Nayar模型更好的粗糙度估計(jì)結(jié)果[9]。澳大利亞學(xué)者Ghassan A.Al-Kindi和Bijan Shirinzadeh對(duì)基于顯微視覺的不同機(jī)械加工表面粗糙度參數(shù)獲取的可行性進(jìn)行了評(píng)估，討論了照射光源與表面輻照度模型對(duì)檢測(cè)的影響，結(jié)果顯示盡管從視覺數(shù)據(jù)和觸針數(shù)據(jù)所獲得的粗糙度參數(shù)存在一定差異，但是基于視覺的方法仍是一種可靠的粗糙度參數(shù)估計(jì)方法[10-11]。

可以看出，基于計(jì)算機(jī)視覺技術(shù)的測(cè)量方法主要有統(tǒng)計(jì)分析、特征映射和神經(jīng)網(wǎng)絡(luò)等黑箱估計(jì)法。通過這些方法獲得的表面粗糙度參數(shù)的估計(jì)值受諸多因素的影響，難以給出其準(zhǔn)確的物理解釋。真正要定量地計(jì)算出粗糙度參數(shù)，需要科學(xué)的計(jì)算。

但是隨著機(jī)械加工自動(dòng)化水平的提高，基于計(jì)算機(jī)視覺技術(shù)的檢測(cè)方法處理內(nèi)容豐富、處理精度高、處理速度快、易于集成等優(yōu)點(diǎn)將受到越來越多的重視。

3結(jié)束語(yǔ)

接觸式測(cè)量測(cè)量速度較慢，容易劃傷工件表面，并且不適用于連續(xù)生產(chǎn)材料表面的檢測(cè)。非接觸式測(cè)量具有無(wú)損傷、快速、測(cè)量精度高、易于實(shí)現(xiàn)在線測(cè)量等優(yōu)點(diǎn)，已成為表面粗糙度檢測(cè)的重點(diǎn)研究方向。非接觸測(cè)量以光學(xué)法為主，隨著計(jì)算機(jī)技術(shù)和工業(yè)生產(chǎn)的迅猛發(fā)展，基于計(jì)算機(jī)視覺技術(shù)的表面粗糙度非接觸式檢測(cè)方法受到越來越多的重視。

參考文獻(xiàn)：

[1]劉斌，馮其波，匡萃方.表面粗糙度測(cè)量方法綜述[J].光學(xué)儀器，2004，26（5）：54-55.

[2]苑惠娟等．非接觸式表面粗糙度測(cè)量?jī)x[J]．哈爾濱科學(xué)技術(shù)大學(xué)學(xué)報(bào)，1995，19（6）：30-34．

[3]強(qiáng)熙富，張?jiān)?，許文海．?dāng)U展激光散射法測(cè)量粗糙度的測(cè)量范圍的研究[J]．計(jì)量學(xué)報(bào)，1990，11（2）：81-85．

[4]王文卓，李大勇，陳捷．表面粗糙度非接觸式測(cè)量技術(shù)研究概況[J]．機(jī)械工程師，2004，11：6-9．

[5]王菊香．2D-SROP-1型表面粗糙度輪廓儀[J]．工業(yè)計(jì)量，1994，（4）：27-29．

[6]徐德衍等．光學(xué)表面粗糙度研究的進(jìn)展與方向[J]．光學(xué)儀器，1996，18（1）：32-41．

[7]王仲春，高岳，黃粵熙等.顯微成像檢測(cè)表面粗糙度[J].光學(xué)技術(shù)，1998，5：46-48.

[8]吳春亞，劉獻(xiàn)禮，王玉景等.機(jī)械加工表面粗糙度的圖像檢測(cè)方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2007，12（3）：148-151.

[9]Hossein Ragheb，Edwin R.Hancock.The modified Beckmann Kirchhoff scattering theory for rough surface analysis[J].Pattern Recognition，2007，40：2004-2020.

第7篇：對(duì)計(jì)算機(jī)視覺的理解范文

16歲那年，李飛飛跟隨父母來到美國(guó)。在國(guó)內(nèi)，李飛飛的父母都有優(yōu)越的工作。來到美國(guó)，因?yàn)檎Z(yǔ)言上的障礙，一下子陷入了困境。懂事的李飛飛明白，想要改變現(xiàn)狀，她現(xiàn)在最需要的是過英語(yǔ)這關(guān)。

為了練習(xí)口語(yǔ)，李飛飛找到一家餐館打工。一開始老板不肯收她，原因是她不會(huì)說英語(yǔ)。她求餐館里的一個(gè)中國(guó)同胞幫她翻譯，老板給她開一半的工資就行。老板考慮之后答應(yīng)先讓她干一個(gè)星期再看。李飛飛非常珍惜這份工作，干活特別賣力，她不錯(cuò)過任何一個(gè)練習(xí)口語(yǔ)的機(jī)會(huì)。只要有人說話，她就跟著小聲說。

她很聰明，根據(jù)表情基本可以判斷出他們說話的內(nèi)容，不懂的就找機(jī)會(huì)問。下班回家跟著電視繼續(xù)學(xué)，她把練習(xí)口語(yǔ)調(diào)到了瘋狂模式。一個(gè)星期之后，她已經(jīng)會(huì)說些簡(jiǎn)單的口語(yǔ)了。老板沒有解雇她，因?yàn)樗暮脤W(xué)精神打動(dòng)了老板。

李飛飛了解到申請(qǐng)?jiān)诿绹?guó)讀大學(xué)，如果成績(jī)十分優(yōu)異，可以領(lǐng)取獎(jiǎng)學(xué)金。她只要有空就復(fù)習(xí)功課，白天上班很辛苦，晚上很容易犯困。有時(shí)候困得眼睛快睜不開時(shí)，就用冰塊敷眼睛。每天到凌晨，父母再三催她去睡覺她才肯放下課本。經(jīng)過一年的努力之后，她申請(qǐng)了多所大學(xué)，最終選擇了普林斯頓，因?yàn)檫@所大學(xué)給她近乎全額的獎(jiǎng)學(xué)金。

大學(xué)期間，父母雙雙失業(yè)，家里的經(jīng)濟(jì)出現(xiàn)危機(jī)。李飛飛只要有空就去做兼職，在餐廳洗過盤子，送過快餐。有個(gè)朋友知道她的處境，介紹她去給一家主人遛狗。她從小就害怕狗，但是為了不錯(cuò)過這個(gè)賺錢的機(jī)會(huì)，她還是硬著頭皮答應(yīng)了。第一次主人把一條身體強(qiáng)壯、氣勢(shì)強(qiáng)悍的羅威納犬牽到她面前時(shí)，她差點(diǎn)嚇哭了，不過還是強(qiáng)做鎮(zhèn)靜之后接過主人遞過來的狗鏈。

1999年，22歲的李飛飛一路磕磕絆絆以十分優(yōu)異的成績(jī)從普林斯頓大學(xué)畢業(yè)。多家金融公司遞來了橄欖枝，包括高盛集團(tuán)的offer。她卻做了一個(gè)讓大家意外的決定：到加州理工學(xué)院攻讀博士學(xué)位。

一天，李w飛看到孩子拿著幾張圖片辨認(rèn)上面的物品，兩歲的孩子能正確地認(rèn)出貓和狗，還有冰箱等。她突發(fā)奇想，如果電腦也可以跟人一樣自己辨別圖片上顯示的是什么，將會(huì)給人帶來很多方便。

2000年，李飛飛開始研究計(jì)算機(jī)視覺領(lǐng)域。她希望計(jì)算機(jī)看到一張圖片就像人的頭腦一樣能夠分析。她和同事為來自互聯(lián)網(wǎng)的十億張圖片進(jìn)行分類、打標(biāo)簽，從而為計(jì)算機(jī)提供樣本。其中理論基礎(chǔ)是如果機(jī)器觀察到足夠多的事物，它們就能夠在現(xiàn)實(shí)世界進(jìn)行識(shí)別。在研究過程中，經(jīng)費(fèi)出現(xiàn)了問題，她傾其所有，甚至想過邊打工邊維持。讓她感到欣慰的是有三位恩師傾力指導(dǎo)，還有不少學(xué)生真心追隨。他們對(duì)她的專業(yè)素養(yǎng)高度肯定，甚至覺得整個(gè)CV領(lǐng)域因她而不同。

通過不懈努力，她在人工智能和計(jì)算機(jī)視覺方面取得成就。她的研究成果使得計(jì)算機(jī)能夠更好地理解圖片，而不僅限于展示圖片。這為無(wú)人車自動(dòng)駕駛提供了可能，通過計(jì)算機(jī)學(xué)習(xí)人腦然后自動(dòng)做出決定。

前不久，她的名為《如何教計(jì)算機(jī)理解圖片》的TED演講引起了許多人的關(guān)注。她也收獲了各種獎(jiǎng)勵(lì)和榮譽(yù)。

第8篇：對(duì)計(jì)算機(jī)視覺的理解范文

關(guān)鍵詞：數(shù)據(jù)融合傳感器無(wú)損檢測(cè)精確林業(yè)應(yīng)用

多傳感器融合系統(tǒng)由于具有較高的可靠性和魯棒性，較寬的時(shí)間和空間的觀測(cè)范圍，較強(qiáng)的數(shù)據(jù)可信度和分辨能力，已廣泛應(yīng)用于軍事、工業(yè)、農(nóng)業(yè)、航天、交通管制、機(jī)器人、海洋監(jiān)視和管理、目標(biāo)跟蹤和慣性導(dǎo)航等領(lǐng)域。筆者在分析數(shù)據(jù)融合技術(shù)概念和內(nèi)容的基礎(chǔ)上，對(duì)該技術(shù)在林業(yè)工程中的應(yīng)用及前景進(jìn)行了綜述。

一、數(shù)據(jù)融合

1.1概念的提出

1973年，數(shù)據(jù)融合技術(shù)在美國(guó)國(guó)防部資助開發(fā)的聲納信號(hào)理解系統(tǒng)中得到了最早的體現(xiàn)。

70年代末，在公開的技術(shù)文獻(xiàn)中開始出現(xiàn)基于多系統(tǒng)的信息整合意義的融合技術(shù)。1984年美國(guó)國(guó)防部數(shù)據(jù)融合小組(DFS)定義數(shù)據(jù)融合為：“對(duì)多源的數(shù)據(jù)和信息進(jìn)行多方的關(guān)聯(lián)、相關(guān)和綜合處理，以更好地進(jìn)行定位與估計(jì)，并完全能對(duì)態(tài)勢(shì)及帶來的威脅進(jìn)行實(shí)時(shí)評(píng)估”。

1998年1月，Buchroithner和Wald重新定義了數(shù)據(jù)融合：“數(shù)據(jù)融合是一種規(guī)范框架，這個(gè)框架里人們闡明如何使用特定的手段和工具來整合來自不同渠道的數(shù)據(jù)，以獲得實(shí)際需要的信息”。

Wald定義的數(shù)據(jù)融合的概念原理中，強(qiáng)調(diào)以質(zhì)量作為數(shù)據(jù)融合的明確目標(biāo)，這正是很多關(guān)于數(shù)據(jù)融合的文獻(xiàn)中忽略但又是非常重要的方面。這里的“質(zhì)量”指經(jīng)過數(shù)據(jù)融合后獲得的信息對(duì)用戶而言較融合前具有更高的滿意度，如可改善分類精度，獲得更有效、更相關(guān)的信息，甚至可更好地用于開發(fā)項(xiàng)目的資金、人力資源等。

1.2基本內(nèi)容

信息融合是生物系統(tǒng)所具備的一個(gè)基本功能，人類本能地將各感官獲得的信息與先驗(yàn)知識(shí)進(jìn)行綜合，對(duì)周圍環(huán)境和發(fā)生的事件做出估計(jì)和判斷。當(dāng)運(yùn)用各種現(xiàn)代信息處理方法，通過計(jì)算機(jī)實(shí)現(xiàn)這一功能時(shí)，就形成了數(shù)據(jù)融合技術(shù)。

數(shù)據(jù)融合就是充分利用多傳感器資源，通過對(duì)這些多傳感器及觀測(cè)信息的合理支配和使用，把多傳感器在空間或時(shí)間上的冗余或互補(bǔ)信息依據(jù)某些準(zhǔn)則進(jìn)行組合，以獲得被測(cè)對(duì)象的一致性解釋或描述。數(shù)據(jù)融合的內(nèi)容主要包括：

(1)數(shù)據(jù)關(guān)聯(lián)。確定來自多傳感器的數(shù)據(jù)反映的是否是同源目標(biāo)。

(2)多傳感器ID/軌跡估計(jì)。假設(shè)多傳感器的報(bào)告反映的是同源目標(biāo)，對(duì)這些數(shù)據(jù)進(jìn)行綜合，改進(jìn)對(duì)該目標(biāo)的估計(jì)，或?qū)φ麄€(gè)當(dāng)前或未來情況的估計(jì)。

(3)采集管理。給定傳感器環(huán)境的一種認(rèn)識(shí)狀態(tài)，通過分配多個(gè)信息捕獲和處理源，最大限度地發(fā)揮其性能，從而使其操作成本降到最低。傳感器的數(shù)據(jù)融合功能主要包括多傳感器的目標(biāo)探測(cè)、數(shù)據(jù)關(guān)聯(lián)、跟蹤與識(shí)別、情況評(píng)估和預(yù)測(cè)。

根據(jù)融合系統(tǒng)所處理的信息層次，目前常將信息融合系統(tǒng)劃分為3個(gè)層次：

(l)數(shù)據(jù)層融合。直接將各傳感器的原始數(shù)據(jù)進(jìn)行關(guān)聯(lián)后，送入融合中心，完成對(duì)被測(cè)對(duì)象的綜合評(píng)價(jià)。其優(yōu)點(diǎn)是保持了盡可能多的原始信號(hào)信息，但是該種融合處理的信息量大、速度慢、實(shí)時(shí)性差，通常只用于數(shù)據(jù)之間配準(zhǔn)精度較高的圖像處理。

(2)特征層融合。從原始數(shù)據(jù)中提取特征，進(jìn)行數(shù)據(jù)關(guān)聯(lián)和歸一化等處理后，送入融合中心進(jìn)行分析與綜合，完成對(duì)被測(cè)對(duì)象的綜合評(píng)價(jià)。這種融合既保留了足夠數(shù)量的原始信息，又實(shí)現(xiàn)了一定的數(shù)據(jù)壓縮，有利于實(shí)時(shí)處理，而且由于在特征提取方面有許多成果可以借鑒，所以特征層融合是目前應(yīng)用較多的一種技術(shù)。但是該技術(shù)在復(fù)雜環(huán)境中的穩(wěn)健性和系統(tǒng)的容錯(cuò)性與可靠性有待進(jìn)一步改善。

(3)決策層融合。首先每一傳感器分別獨(dú)立地完成特征提取和決策等任務(wù)，然后進(jìn)行關(guān)聯(lián)，再送入融合中心處理。這種方法的實(shí)質(zhì)是根據(jù)一定的準(zhǔn)則和每個(gè)決策的可信度做出最優(yōu)的決策。其優(yōu)點(diǎn)是數(shù)據(jù)通訊量小、實(shí)時(shí)性好，可以處理非同步信息，能有效地融合不同類型的信息。而且在一個(gè)或幾個(gè)傳感器失效時(shí)，系統(tǒng)仍能繼續(xù)工作，具有良好的容錯(cuò)性，系統(tǒng)可靠性高，因此是目前信息融合研究的一個(gè)熱點(diǎn)。但是這種技術(shù)也有不足，如原始信息的損失、被測(cè)對(duì)象的時(shí)變特征、先驗(yàn)知識(shí)的獲取困難，以及知識(shí)庫(kù)的巨量特性等。

1.3處理模型

美國(guó)數(shù)據(jù)融合工作小組提出的數(shù)據(jù)融合處理模型，當(dāng)時(shí)僅應(yīng)用于軍事方面，但該模型對(duì)人們理解數(shù)據(jù)融合的基本概念有重要意義。模型每個(gè)模塊的基本功能如下：

數(shù)據(jù)源。包括傳感器及其相關(guān)數(shù)據(jù)(數(shù)據(jù)庫(kù)和人的先驗(yàn)知識(shí)等)。

源數(shù)據(jù)預(yù)處理。進(jìn)行數(shù)據(jù)的預(yù)篩選和數(shù)據(jù)分配，以減輕融合中心的計(jì)算負(fù)擔(dān)，有時(shí)需要為融合中心提供最重要的數(shù)據(jù)。目標(biāo)評(píng)估。融合目標(biāo)的位置、速度、身份等參數(shù)，以達(dá)到對(duì)這些參數(shù)的精確表達(dá)。主要包括數(shù)據(jù)配準(zhǔn)、跟蹤和數(shù)據(jù)關(guān)聯(lián)、辨識(shí)。

態(tài)勢(shì)評(píng)估。根據(jù)當(dāng)前的環(huán)境推斷出檢測(cè)目標(biāo)與事件之間的關(guān)系，以判斷檢測(cè)目標(biāo)的意圖。威脅評(píng)估。結(jié)合當(dāng)前的態(tài)勢(shì)判斷對(duì)方的威脅程度和敵我雙方的攻擊能力等，這一過程應(yīng)同時(shí)考慮當(dāng)前的政治環(huán)境和對(duì)敵策略等因素，所以較為困難。

處理過程評(píng)估。監(jiān)視系統(tǒng)的性能，辨識(shí)改善性能所需的數(shù)據(jù)，進(jìn)行傳感器資源的合理配置。人機(jī)接口。提供人與計(jì)算機(jī)間的交互功能，如人工操作員的指導(dǎo)和評(píng)價(jià)、多媒體功能等。

二、多傳感器在林業(yè)中的應(yīng)用

2.1在森林防火中的應(yīng)用

在用MODIS(ModerateResolutionImagingSpectroradiometer)數(shù)據(jù)測(cè)定森林火點(diǎn)時(shí)的20、22、23波段的傳感器輻射值已達(dá)飽和狀態(tài)，用一般圖像增強(qiáng)處理方法探測(cè)燃燒區(qū)火點(diǎn)的結(jié)果不理想。余啟剛運(yùn)用數(shù)據(jù)融合技術(shù)，在空間分辨率為1000m的熱輻射通道的數(shù)據(jù)外加入空間分辨率為250m的可見光通道的數(shù)據(jù)，較好地進(jìn)行了不同空間分辨率信息的數(shù)據(jù)融合，大大提高了對(duì)火點(diǎn)位置的判斷準(zhǔn)確度。為進(jìn)一步提高衛(wèi)星光譜圖像數(shù)據(jù)分析的準(zhǔn)確性與可靠性，利用原有森林防火用的林區(qū)紅外探測(cè)器網(wǎng)，將其與衛(wèi)星光譜圖像數(shù)據(jù)融合，可以使計(jì)算機(jī)獲得GPS接收機(jī)輸出的有關(guān)信息通過與RS實(shí)現(xiàn)高效互補(bǔ)性融合，從而彌補(bǔ)衛(wèi)星圖譜不理想的缺失區(qū)數(shù)據(jù)信息，大大提高燃燒區(qū)火點(diǎn)信息準(zhǔn)確度和敏感性。

2.2森林蓄積特征的估計(jì)

HampusHolmstrom等在瑞典南部的試驗(yàn)區(qū)將SPOT-4×S衛(wèi)星數(shù)據(jù)和CARABAS-IIVHFSAR傳感器的雷達(dá)數(shù)據(jù)進(jìn)行了融合，采用KNN(knearestneighbor)方法對(duì)森林的蓄積特征(林分蓄積、樹種組成與年齡)進(jìn)行了估計(jì)。

KNN方法就是采用目標(biāo)樣地鄰近k個(gè)(k=10)最近樣地的加權(quán)來估計(jì)目標(biāo)樣地的森林特征。研究者應(yīng)用衛(wèi)星光譜數(shù)據(jù)、雷達(dá)數(shù)據(jù)融合技術(shù)對(duì)試驗(yàn)區(qū)的不同林分的蓄積特征進(jìn)行估計(jì)，并對(duì)三種不同的數(shù)據(jù)方法進(jìn)行誤差分析。試驗(yàn)表明，融合后的數(shù)據(jù)作出的估計(jì)比單一的衛(wèi)星數(shù)據(jù)或雷達(dá)數(shù)據(jù)的精度高且穩(wěn)定性好。

2.3用非垂直航空攝像數(shù)據(jù)融合GIS信息更新調(diào)查數(shù)據(jù)

森林資源調(diào)查是掌握森林資源現(xiàn)狀與變化的調(diào)查方法，一般以地面調(diào)查的方法為主，我國(guó)5年復(fù)查一次。由于森林資源調(diào)查的工作量巨大，且要花費(fèi)大量的人力、物力和資金。國(guó)內(nèi)外許多學(xué)者都在探索航空、航天的遙感調(diào)查與估計(jì)方法。

TrevorJDavis等2002年提出采用非垂直的航空攝影數(shù)據(jù)融合對(duì)應(yīng)的GIS數(shù)據(jù)信息實(shí)現(xiàn)森林調(diào)查數(shù)據(jù)的快速更新，認(rèn)為對(duì)森林資源整體而言，僅某些特殊地區(qū)的資源數(shù)據(jù)需要更新。在直升飛機(jī)側(cè)面裝上可視的數(shù)字?jǐn)z像裝置，利用GPS對(duì)測(cè)點(diǎn)進(jìn)行定位，對(duì)特殊地區(qū)的攝像進(jìn)行拍攝，同時(shí)與對(duì)應(yīng)的GIS數(shù)據(jù)進(jìn)行融合，做出資源變化的估計(jì)或影像的修正。

試驗(yàn)表明，融合后的數(shù)據(jù)可以同高分辨率矯正圖像相比，該方法花費(fèi)少，精度高，能充分利用影像的可視性，應(yīng)用于偏遠(yuǎn)、地形復(fù)雜、不易操作、成本高的區(qū)域，同時(shí)可避免遙感圖像受云層遮蓋。

三、數(shù)據(jù)融合在林業(yè)中的應(yīng)用展望

3.1在木材檢測(cè)中的應(yīng)用

3.1.1木材缺陷及其影響

木材是天然生長(zhǎng)的有機(jī)體，生長(zhǎng)過程中不可避免地有尖削度、彎曲度、節(jié)子等生長(zhǎng)缺陷，這些缺陷極大地影響了木材及其制品的優(yōu)良特性，以及木材的使用率、強(qiáng)度、外觀質(zhì)量，并限制了其應(yīng)用領(lǐng)域。在傳統(tǒng)木制品生產(chǎn)過程中，主要依靠人的肉眼來識(shí)別木材缺陷，而木材板材表面缺陷在大小、形狀和色澤上都有較大的差異，且受木材紋理的影響，識(shí)別起來非常困難，勞動(dòng)強(qiáng)度大，效率低，同時(shí)由于熟練程度、標(biāo)準(zhǔn)掌握等人為因素，可能造成較大的誤差。另外在集成材加工中，板材缺陷的非雙面識(shí)別嚴(yán)重影響了生產(chǎn)線的生產(chǎn)節(jié)拍。因此必須開發(fā)一種能夠?qū)Π宀碾p面缺陷進(jìn)行在線識(shí)別和自動(dòng)剔除技術(shù)，以解決集成材加工中節(jié)子人工識(shí)別誤差大、難以實(shí)現(xiàn)雙面識(shí)別、剔除機(jī)械調(diào)整時(shí)間長(zhǎng)等問題。

3.1.2單一傳感器在木材檢測(cè)中的應(yīng)用

對(duì)木材及人造板進(jìn)行無(wú)損檢測(cè)的方法很多，如超聲波、微波、射線、機(jī)械應(yīng)力、震動(dòng)、沖擊應(yīng)力波、快速傅立葉變換分析等檢測(cè)方法。超聲技術(shù)在木材工業(yè)中的應(yīng)用研究主要集中在研究聲波與木材種類、木材結(jié)構(gòu)和性能之間的關(guān)系、木材結(jié)構(gòu)及缺陷分析、膠的固化過程分析等。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，人們也將視覺傳感器應(yīng)用于木材檢測(cè)中。新西蘭科學(xué)家用視頻傳感器研究和測(cè)量了紙漿中的纖維橫切面的寬度、厚度、壁面積、壁厚度、腔比率、壁比率等，同時(shí)準(zhǔn)確地測(cè)量單個(gè)纖維和全部纖維的幾何尺寸及其變化趨勢(shì)，能夠區(qū)分不同紙漿類型，測(cè)定木材纖維材料加固結(jié)合力，并動(dòng)態(tài)地觀察木材纖維在材料中的結(jié)合機(jī)理。

新西蘭的基于視覺傳感器的板材缺陷識(shí)別的軟件已經(jīng)產(chǎn)業(yè)化，該軟件利用數(shù)碼相機(jī)或激光掃描儀采集板材的圖像，自動(dòng)識(shí)別板材節(jié)子和缺陷的位置，控制板材的加工。該軟件還具有進(jìn)行原木三維模型真實(shí)再現(xiàn)的計(jì)算機(jī)視覺識(shí)別功能，利用激光掃描儀自動(dòng)采集原木的三維幾何數(shù)據(jù)。

美國(guó)林產(chǎn)品實(shí)驗(yàn)室利用計(jì)算機(jī)視覺技術(shù)對(duì)木材刨花的尺寸大小進(jìn)行分級(jí)，確定各種刨花在板中的比例和刨花的排列方向；日本京都大學(xué)基于視覺傳感器進(jìn)行了定向刨花板內(nèi)刨花定向程度的檢測(cè)，從而可以通過調(diào)整定向鋪裝設(shè)備優(yōu)化刨花的排列方向來提高定向刨花板的強(qiáng)度。

在制材加工過程中，利用計(jì)算機(jī)視覺技術(shù)在線實(shí)時(shí)檢測(cè)原木的形狀及尺寸，選擇最佳下鋸方法，提高原木的出材率。同時(shí)可對(duì)鋸材的質(zhì)量進(jìn)行分級(jí)，實(shí)現(xiàn)木材的優(yōu)化使用；在膠合板的生產(chǎn)過程中，利用計(jì)算機(jī)視覺技術(shù)在線實(shí)時(shí)檢測(cè)單板上的各種缺陷，實(shí)現(xiàn)單板的智能和自動(dòng)剪切，并可測(cè)量在剪切過程中的單板破損率，對(duì)單板進(jìn)行分等分級(jí)，實(shí)現(xiàn)自動(dòng)化生產(chǎn)過程。Wengert等在綜合了大量的板材分類經(jīng)驗(yàn)的基礎(chǔ)上，建立了板材分級(jí)分類的計(jì)算機(jī)視覺專家系統(tǒng)。在國(guó)內(nèi)這方面的研究較少，王金滿等用計(jì)算機(jī)視覺技術(shù)對(duì)刨花板施膠效果進(jìn)行了定量分析。

X射線對(duì)木材及木質(zhì)復(fù)合材料的性能檢測(cè)已得到了廣泛的應(yīng)用，目前該技術(shù)主要應(yīng)用于對(duì)木材密度、含水率、纖維素相對(duì)結(jié)晶度和結(jié)晶區(qū)大小、纖維的化學(xué)結(jié)構(gòu)和性質(zhì)等進(jìn)行檢測(cè)，并對(duì)木材內(nèi)部的各種缺陷進(jìn)行檢測(cè)。

3.1.3數(shù)據(jù)融合在木材檢測(cè)中的應(yīng)用展望

單一傳感器在木材工業(yè)中已得到了一定程度的應(yīng)用，但各種單項(xiàng)技術(shù)在應(yīng)用上存在一定的局限性。如視覺傳感器不能檢測(cè)到有些與木材具有相同顏色的節(jié)子，有時(shí)會(huì)把木板上的臟物或油脂當(dāng)成節(jié)子，造成誤判，有時(shí)也會(huì)受到木材的種類或粗糙度和濕度的影響，此外，這種技術(shù)只能檢測(cè)部分表面缺陷，而無(wú)法檢測(cè)到內(nèi)部缺陷；超聲、微波、核磁共振和X射線技術(shù)均能測(cè)量密度及內(nèi)部特征，但是它們不能測(cè)定木材的顏色和瑕疵，因?yàn)檫@些缺陷的密度往往同木板相同。因此，一個(gè)理想的檢測(cè)系統(tǒng)應(yīng)該集成各種傳感技術(shù)，才能準(zhǔn)確、可靠地檢測(cè)到木材的缺陷。

基于多傳感器(機(jī)器視覺及X射線等)數(shù)據(jù)融合技術(shù)的木材及木制品表面缺陷檢測(cè)，可以集成多個(gè)傳統(tǒng)單項(xiàng)技術(shù)，更可靠、準(zhǔn)確地實(shí)時(shí)檢測(cè)出木材表面的各種缺陷，為實(shí)現(xiàn)木材分級(jí)自動(dòng)化、智能化奠定基礎(chǔ)，同時(shí)為集裁除鋸、自動(dòng)調(diào)整、自動(dòng)裁除節(jié)子等為一身的新型視頻識(shí)別集成材雙面節(jié)子數(shù)控自動(dòng)剔除成套設(shè)備提供技術(shù)支持。

3.2在精確林業(yè)中的應(yīng)用

美國(guó)華盛頓大學(xué)研究人員開展了樹形自動(dòng)分析、林業(yè)作業(yè)規(guī)劃等研究工作；Auburn大學(xué)的生物系統(tǒng)工程系和USDA南方林業(yè)實(shí)驗(yàn)站與有關(guān)公司合作開展用GPS和其他傳感器研究林業(yè)機(jī)器系統(tǒng)的性能和生產(chǎn)效率。

目前單項(xiàng)的GPS、RS、GIS正從“自動(dòng)化孤島”形式應(yīng)用于林業(yè)生產(chǎn)向集成技術(shù)轉(zhuǎn)變。林業(yè)生產(chǎn)系統(tǒng)作為一個(gè)多組分的復(fù)雜系統(tǒng)，是由能量流動(dòng)、物質(zhì)循環(huán)、信息流動(dòng)所推動(dòng)的具有一定的結(jié)構(gòu)和功能的復(fù)合體，各組分間的關(guān)系和結(jié)合方式影響系統(tǒng)整體的結(jié)構(gòu)和功能。因此應(yīng)該在計(jì)算機(jī)集成系統(tǒng)框架下，有效地融合GPS、GIS、RS等數(shù)據(jù)，解決這些信息在空間和時(shí)間上的質(zhì)的差異及空間數(shù)據(jù)類型的多樣性，如地理統(tǒng)計(jì)數(shù)據(jù)、柵格數(shù)據(jù)、點(diǎn)數(shù)據(jù)等。利用智能DSS(決策支持系統(tǒng))以及VRT(可變量技術(shù))等，使林業(yè)生產(chǎn)成為一個(gè)高效、柔性和開放的體系，從而實(shí)現(xiàn)林業(yè)生產(chǎn)的標(biāo)準(zhǔn)化、規(guī)范化、開放性，建立基于信息流融合的精確林業(yè)系統(tǒng)。

南京林業(yè)大學(xué)提出了“精確林業(yè)工程系統(tǒng)”。研究包括精確林業(yè)工程系統(tǒng)的領(lǐng)域體系結(jié)構(gòu)、隨時(shí)空變化的數(shù)據(jù)采集處理與融合技術(shù)、精確控制林業(yè)生產(chǎn)的智能決策支持系統(tǒng)、可變量控制技術(shù)等，實(shí)現(xiàn)基于自然界生物及其所賴以生存的環(huán)境資源的時(shí)空變異性的客觀現(xiàn)實(shí)，以最小資源投入、最小環(huán)境危害和最大產(chǎn)出效益為目標(biāo)，建立關(guān)于林業(yè)管理系統(tǒng)戰(zhàn)略思想的精確林業(yè)微觀管理系統(tǒng)。

[參考文獻(xiàn)]

第9篇：對(duì)計(jì)算機(jī)視覺的理解范文

機(jī)器和人類、現(xiàn)實(shí)和科幻、邪惡和美好的分界從來沒有像今天這樣如此模糊。眺望未來30年，智能革命的壯闊波瀾，將改寫人類社會(huì)對(duì)智商的理解和定義。

從AlphaGo說起：Have to win

關(guān)于這場(chǎng)圍棋大賽，先引用一段博士老板Alan Yuille教授(美國(guó)頂級(jí)機(jī)器智能科學(xué)家，霍金理論物理學(xué)博士)的判斷：

Go is a complex game but still it is finite so with enough computer power，and clever algorithm，the computers will have to win(if not this year，then next year)。(圍棋是一套復(fù)雜但有內(nèi)在邏輯和明確計(jì)算量的游戲，所以只要計(jì)算機(jī)遵循圍棋的推演路徑并擁有充裕的運(yùn)算能力就必然能夠贏得人類、取得勝利，AlphaGo的勝利對(duì)于計(jì)算機(jī)而言只不過是時(shí)間問題。)

AlphaGo戰(zhàn)勝人類，美國(guó)學(xué)術(shù)界早有準(zhǔn)備

伴隨著摩爾定律的不斷實(shí)現(xiàn)和幾十年來人工智能的軟硬件技術(shù)積累，人工智能其實(shí)已經(jīng)悄然改變了我們生活中的許多方面，當(dāng)我們還在感慨電影中各種AI的強(qiáng)大時(shí)，未來已經(jīng)悄然而來，AlphaGo只是這場(chǎng)人工智能大浪潮中的一朵璀璨浪花。

在過去的5年里，人工智能已經(jīng)在語(yǔ)音識(shí)別、計(jì)算機(jī)視覺、語(yǔ)言理解、醫(yī)療健康等領(lǐng)域取得了巨大進(jìn)展，并在某些領(lǐng)域里超過了人類，比如語(yǔ)音識(shí)別、人臉識(shí)別等等方面。

以計(jì)算機(jī)視覺為例，人工智能已經(jīng)發(fā)展出了突破肉眼精度的圖像識(shí)別技術(shù)并已被廣泛的應(yīng)用于公安、金融、信息安全等領(lǐng)域，產(chǎn)生了巨大的價(jià)值。而這些進(jìn)展之所以沒有引起社會(huì)轟動(dòng)，是因?yàn)樯鐣?huì)中大部分非專業(yè)人員會(huì)通過直覺和自身感受而推論出機(jī)器識(shí)別“人臉”、識(shí)別“蘋果”等圖像信息是一件容易的任務(wù)，是一件不同年齡、不同教育背景、不同文化背景的人都能勝任的任務(wù)，在這其中體現(xiàn)不出人工智能的“智能”來。

但站在人工智能發(fā)展的角度，從圍棋和圖像識(shí)別的復(fù)雜性和不確定型來說，圖像的變化比棋盤的變化要大得多。

圍棋是有可遵循的邏輯、可衡量的計(jì)算量的游戲，對(duì)于人類大腦的難度在于龐大的計(jì)算量和對(duì)棋盤宏觀形勢(shì)的敏感度；而圖像識(shí)別則會(huì)在信息抓取和邏輯分析層面呈現(xiàn)出更廣泛意義上的隨機(jī)性和不確定性。

通過機(jī)器學(xué)習(xí)將圖像中的信息進(jìn)行分類解析、最終提取有價(jià)值的結(jié)構(gòu)化數(shù)據(jù)是極難的科研課題，從學(xué)術(shù)界到工業(yè)界的轉(zhuǎn)化耗費(fèi)了幾十年的時(shí)光。

然而相比于計(jì)算機(jī)視覺、語(yǔ)言語(yǔ)音理解等其他的進(jìn)步，AlphaGo的劃時(shí)代意義在于它不僅僅縮短了機(jī)器與人的智能距離，還將顛覆人與人智商差異的感知。

未來人與人的智商差距不再會(huì)是不可彌補(bǔ)的先天差距，而將成為一種可以通過工具而后天獲取的能力，這帶來的會(huì)是人類自我價(jià)值評(píng)估的一次大顛覆，智商對(duì)于人的意義將會(huì)在一定程度上有所下降。這就像從前算術(shù)不好的，現(xiàn)在用計(jì)算器就能補(bǔ)上；未來下棋不好的，可能只是加個(gè)AlphaGo就能補(bǔ)上?！爸巧獭边@個(gè)詞的定義可能會(huì)被迫從形容人和動(dòng)物差異，變成由人和機(jī)器的差異所定義。

第一個(gè)十年的變化：The rich get richer(富人更富，強(qiáng)者更強(qiáng))

從短期來看，讓我們暢想一下在這場(chǎng)大浪潮中，誰(shuí)會(huì)成為最大的受益者呢？

當(dāng)我們回顧推動(dòng)人工智能發(fā)展的關(guān)鍵因素時(shí)，有三個(gè)要素極為重要：數(shù)據(jù)、算法和計(jì)算。

AlphaGo這次在全社會(huì)范圍內(nèi)對(duì)人工智能進(jìn)行了一場(chǎng)大面積的認(rèn)知普及，會(huì)使得擁有成熟商業(yè)模式和海量數(shù)據(jù)優(yōu)勢(shì)的BAT等巨頭重金投入這片市場(chǎng)，彼此間的互相追趕將在市場(chǎng)中形成像google收購(gòu)deep mind一樣的并購(gòu)風(fēng)潮。

同時(shí)伴隨著計(jì)算能力的不斷提升和算法的持續(xù)優(yōu)化，這將帶來人工智能史上的第一次大規(guī)模應(yīng)用實(shí)踐，各巨頭的業(yè)務(wù)將因?yàn)槿斯ぶ悄軒淼男侍嵘铀偻卣?，他們相較其它競(jìng)爭(zhēng)者的優(yōu)勢(shì)也會(huì)因此不斷加大，這就正如今天的google相對(duì)于其他公司一樣。

當(dāng)資本成為這場(chǎng)競(jìng)逐游戲的驅(qū)動(dòng)力時(shí)，獲得先發(fā)優(yōu)勢(shì)的公司雪球也必將越滾越大，優(yōu)勢(shì)將在成長(zhǎng)中愈發(fā)明顯，The rich get richer。

未來的思考：人類將重新理解知識(shí)、智慧、人性

從遠(yuǎn)期來看，人工智能的進(jìn)步將改寫人類對(duì)自我、知識(shí)和教育的理解。

倘若，90%的醫(yī)生、律師、教師、程序員能被機(jī)器所代替，人們將需要重新開始討論“人”的自我定義和“知識(shí)”的新時(shí)代價(jià)值。

當(dāng)舊時(shí)代下的知識(shí)已成為機(jī)器人僅需拷貝和執(zhí)行的簡(jiǎn)單命令，而“為什么要學(xué)法律、學(xué)編程等”的疑問及背后對(duì)自我價(jià)值的疑惑就必將引發(fā)社會(huì)教育結(jié)構(gòu)的變革。

過往人與人之間通過知識(shí)組合的不同而形成的差異將被人工智能抹平，“高考”等考試測(cè)評(píng)手段作為廣義上的游戲(game)，就像圍棋一樣，將不再能作為準(zhǔn)確評(píng)價(jià)智慧和學(xué)識(shí)的方式而被修正。

當(dāng)在體力勞動(dòng)和腦力勞動(dòng)里獨(dú)立的人類相對(duì)于機(jī)器都不再具備經(jīng)濟(jì)優(yōu)勢(shì)時(shí)，人的存在形態(tài)、存在價(jià)值和機(jī)器的交互融合將成為未來前沿學(xué)術(shù)研究的重要課題，這會(huì)是一次人類社會(huì)的集體迷思、也會(huì)是人類價(jià)值的再次追尋。

人類的希望？

有人曾說，機(jī)器和人的差異是藝術(shù)的創(chuàng)作和欣賞。但這對(duì)于人工智能而言，已經(jīng)并不是什么特別難的事情，大概在10年前就已有成熟的學(xué)術(shù)成果來用計(jì)算機(jī)創(chuàng)作梵高風(fēng)格的作品，在這背后的藝術(shù)風(fēng)格提煉、學(xué)習(xí)和再造并不是什么新鮮的技術(shù)。

也有人說，機(jī)器和人的差異是情感。但我不確定現(xiàn)今的人類社會(huì)對(duì)情感的定義是否像對(duì)智商一樣，有著廣泛的共識(shí)而能成為人類獨(dú)特性的特征。情感誕生于本能和動(dòng)物性，只是在人身上閃爍出了更加多彩的光芒，悲歡喜樂、嬉笑怒罵，這本就是人性中最難以捉摸而妙不可言的部分。

所以，機(jī)器和人的區(qū)別最終會(huì)是什么呢？在這個(gè)恐怕哲學(xué)家也難以回答的終極問題下，我想起了最近讀到的這樣一句話，“如果機(jī)器認(rèn)為這場(chǎng)戰(zhàn)斗必?cái)?，那么機(jī)器會(huì)選擇投降；如果人認(rèn)為這場(chǎng)戰(zhàn)斗必?cái)?，那么有人?huì)選擇義無(wú)反顧的戰(zhàn)斗，直至戰(zhàn)死為止?！?/p>

或許，這句話里已經(jīng)輕輕道出了我們與機(jī)器的區(qū)別。