計(jì)算機(jī)視覺(jué)是指：讓機(jī)器通過(guò)數(shù)字圖像或視頻等視覺(jué)信息來(lái)模擬人類視覺(jué)的過(guò)程，以達(dá)到對(duì)物體的理解、識(shí)別、分類、跟蹤、重建等目的的技術(shù)。它是人工智能領(lǐng)域中的一個(gè)分支，涉及圖像處理、模式識(shí)別、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等多個(gè)領(lǐng)域。

隨著人工智能和機(jī)器學(xué)習(xí)算法進(jìn)入了與產(chǎn)業(yè)深度融合的階段，機(jī)器視覺(jué)技術(shù)已廣泛應(yīng)用于人臉識(shí)別、自動(dòng)駕駛、無(wú)人機(jī)、醫(yī)學(xué)影像分析、工業(yè)生產(chǎn)等場(chǎng)景，主要運(yùn)用到以下六大主流機(jī)器視覺(jué)技術(shù)，一起來(lái)了解一下~

01 圖像分類

圖像分類是根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開(kāi)來(lái)的圖像處理方法。它利用計(jì)算機(jī)對(duì)圖像進(jìn)行定量分析，把圖像或圖像中的每個(gè)像元或區(qū)域劃歸為若干個(gè)類別中的某一種，以代替人的視覺(jué)判讀。

常用方法：基于色彩特征的索引技術(shù)、基于紋理的圖像分類技術(shù)、基于形狀的圖像分類技術(shù)、基于空間關(guān)系的圖像分類技術(shù)等。

主要應(yīng)用：場(chǎng)景分類、物體識(shí)別、圖像標(biāo)注、醫(yī)學(xué)圖像、工業(yè)檢測(cè)和安防監(jiān)控等。

02 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是指在圖像或視頻中，識(shí)別出目標(biāo)物體所在的位置，并標(biāo)注出其所屬的類別的任務(wù)。相比于圖像分類任務(wù)，目標(biāo)檢測(cè)需要對(duì)目標(biāo)的位置和數(shù)量進(jìn)行準(zhǔn)確的識(shí)別，因此其難度更大，但也更加實(shí)用。在實(shí)際應(yīng)用中，可以根據(jù)具體場(chǎng)景和需求，選擇不同的模型和算法來(lái)實(shí)現(xiàn)追蹤、識(shí)別和分析等目標(biāo)檢測(cè)任務(wù)。

常用模型：

①Faster R-CNN：是一種基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型，它通過(guò)在區(qū)域提議網(wǎng)絡(luò)（Region Proposal Network, RPN）中引入錨點(diǎn)來(lái)提高檢測(cè)速度，同時(shí)采用了RoI Pooling層來(lái)實(shí)現(xiàn)不同大小的目標(biāo)檢測(cè)。

②YOLO（You Only Look Once）：是一種基于單階段目標(biāo)檢測(cè)算法的模型，它將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為一個(gè)回歸問(wèn)題，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)的類別和位置。

③SSD（Single Shot MultiBox Detector）：也是一種基于單階段目標(biāo)檢測(cè)算法的模型，通過(guò)在每個(gè)特征層上應(yīng)用不同大小和形狀的先驗(yàn)框，從而實(shí)現(xiàn)對(duì)不同尺度目標(biāo)的檢測(cè)。

主要應(yīng)用：

①智能安防：監(jiān)控場(chǎng)景中的人員和車(chē)輛，實(shí)現(xiàn)目標(biāo)追蹤和識(shí)別。

②自動(dòng)駕駛：通過(guò)識(shí)別道路標(biāo)志、交通信號(hào)燈、行人和其他車(chē)輛等來(lái)實(shí)現(xiàn)自主駕駛。

③無(wú)人機(jī)：對(duì)無(wú)人機(jī)飛行區(qū)域中的目標(biāo)進(jìn)行識(shí)別和跟蹤，以實(shí)現(xiàn)智能控制和導(dǎo)航。

④工業(yè)制造：在生產(chǎn)過(guò)程中對(duì)產(chǎn)品進(jìn)行檢測(cè)和分類，提高生產(chǎn)效率和質(zhì)量。

⑤醫(yī)療診斷：通過(guò)對(duì)醫(yī)學(xué)圖像中的腫瘤等異常進(jìn)行識(shí)別和定位，輔助醫(yī)生進(jìn)行診斷和治療。

尤其是適用于邊緣端的智能應(yīng)用，比如在英碼科技的場(chǎng)景化解決方案中，主要通過(guò)邊緣計(jì)算盒子，結(jié)合機(jī)器視覺(jué)、大數(shù)據(jù)等技術(shù)實(shí)現(xiàn)長(zhǎng)尾場(chǎng)景的實(shí)時(shí)感知、目標(biāo)識(shí)別、監(jiān)測(cè)、預(yù)警等智能應(yīng)用，助力交通、校園、工地、化工園區(qū)等領(lǐng)域?qū)崿F(xiàn)智慧化升級(jí)，達(dá)到降本增效的目的。

03 目標(biāo)跟蹤

目標(biāo)跟蹤是指在視頻序列中，對(duì)于已知的初始目標(biāo)，在后續(xù)幀中通過(guò)對(duì)目標(biāo)的特征提取和跟蹤算法進(jìn)行處理，實(shí)現(xiàn)對(duì)目標(biāo)位置、形態(tài)等信息的實(shí)時(shí)跟蹤。

常用方法：

①基于相關(guān)濾波的跟蹤方法：將目標(biāo)與模板進(jìn)行相關(guān)性計(jì)算，計(jì)算得到的結(jié)果可以表示目標(biāo)在當(dāng)前幀的位置。

②基于粒子濾波的跟蹤方法：通過(guò)在目標(biāo)周?chē)S機(jī)生成多個(gè)粒子，然后根據(jù)目標(biāo)的運(yùn)動(dòng)模型，對(duì)這些粒子進(jìn)行預(yù)測(cè)，再用觀測(cè)信息對(duì)預(yù)測(cè)的粒子進(jìn)行權(quán)重更新，最終選擇權(quán)重最高的粒子來(lái)表示目標(biāo)的位置。

③基于深度學(xué)習(xí)的跟蹤方法：使用深度學(xué)習(xí)算法對(duì)目標(biāo)進(jìn)行特征提取和表示，然后根據(jù)目標(biāo)在前一幀的位置和特征，對(duì)目標(biāo)在當(dāng)前幀的位置進(jìn)行預(yù)測(cè)。常用的深度學(xué)習(xí)跟蹤算法包括循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等。

主要應(yīng)用：目標(biāo)跟蹤技術(shù)適用于視頻監(jiān)控、無(wú)人駕駛、智能交通等領(lǐng)域，可以用于目標(biāo)的實(shí)時(shí)跟蹤和識(shí)別，實(shí)現(xiàn)自動(dòng)化控制和智能化分析。

04 語(yǔ)義分割

語(yǔ)義分割旨在將輸入圖像中的每個(gè)像素標(biāo)記為屬于哪個(gè)語(yǔ)義類別。與目標(biāo)檢測(cè)和圖像分類不同，語(yǔ)義分割不僅可以識(shí)別圖像中的物體，還可以為每個(gè)像素分配標(biāo)簽，從而提供更詳細(xì)和準(zhǔn)確的圖像理解。

常用模型：FCN（Fully Convolutional Network）、U-Net、DeepLab等。近年來(lái)還涌現(xiàn)出了許多基于深度學(xué)習(xí)的新型語(yǔ)義分割模型，如PSPNet、DeepLab V3+等，它們?cè)诰群托实确矫娑加兴岣摺?/p>

主要應(yīng)用：語(yǔ)義分割適用于需要對(duì)圖像進(jìn)行精細(xì)分割和像素級(jí)分類的場(chǎng)景，例如自動(dòng)駕駛中的道路分割、醫(yī)學(xué)圖像中的病變分割、地理信息系統(tǒng)中的土地分類等。

05 實(shí)例分割

實(shí)例分割是結(jié)合目標(biāo)檢測(cè)和語(yǔ)義分割的一個(gè)更高層級(jí)的任務(wù)。實(shí)例分割是計(jì)算機(jī)視覺(jué)中的一項(xiàng)任務(wù)，旨在同時(shí)檢測(cè)圖像中的物體，并將每個(gè)物體分割成精確的像素級(jí)別的區(qū)域。與語(yǔ)義分割不同，實(shí)例分割不僅可以分割出不同類別的物體，還可以將它們分割成獨(dú)立的、像素級(jí)別的區(qū)域。

常用模型：Mask R-CNN、FCIS（Fully Convolutional Instance-aware Semantic Segmentation）、SOLO（Segmenting Objects by Locations）等。

主要應(yīng)用：實(shí)例分割適用于需要對(duì)圖像進(jìn)行精細(xì)分割并區(qū)分不同物體的場(chǎng)景，例如自動(dòng)駕駛中的行人和車(chē)輛分割、醫(yī)學(xué)圖像中的器官分割、遙感圖像中的建筑物分割等。

結(jié)語(yǔ)

上述這 5 種關(guān)鍵的機(jī)器視覺(jué)技術(shù)可以協(xié)助計(jì)算機(jī)從單個(gè)或一系列圖像中提取、分析和理解有用的信息，賦能千行百業(yè)實(shí)現(xiàn)AI應(yīng)用，構(gòu)建更智能、美好的視界。

審核編輯 黃宇