圖像處理與計(jì)算機(jī)視覺(jué)的案例
計(jì)算機(jī)視覺(jué)：你必須了解的圖像數(shù)據(jù)底層技術(shù)
計(jì)算機(jī)視覺(jué)的主要應(yīng)用
計(jì)算機(jī)視覺(jué)目前應(yīng)用的領(lǐng)域不勝枚舉，小編就挑出5個(gè)具有代表性的應(yīng)用吧：
物體與行為識(shí)別
自動(dòng)駕駛汽車
醫(yī)療影像分析與診斷
圖片標(biāo)記
人臉識(shí)別
計(jì)算機(jī)視覺(jué)工作流程
計(jì)算機(jī)視覺(jué)工作流程其實(shí)是大多數(shù)計(jì)算機(jī)視覺(jué)應(yīng)用程序?qū)⒔?jīng)歷的一系列步驟。許多視覺(jué)應(yīng)用程序都是從獲取圖像和數(shù)據(jù)開始，然后處理數(shù)據(jù)，執(zhí)行一些分析和識(shí)別步驟，最后執(zhí)行一個(gè)動(dòng)作的：
計(jì)算機(jī)視覺(jué)工作流程
就拿人臉識(shí)別來(lái)說(shuō)吧，它也主要遵循了計(jì)算機(jī)視覺(jué)的工作流程：
人臉識(shí)別工作流程
我們可以看到，大部分計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用其實(shí)都是從數(shù)據(jù)預(yù)處理開始的，其實(shí)這也是機(jī)器學(xué)習(xí)的關(guān)鍵。
數(shù)據(jù)標(biāo)準(zhǔn)化
所謂預(yù)處理圖像就是將輸入的圖像數(shù)據(jù)標(biāo)準(zhǔn)化，以便后續(xù)工作流程的順利進(jìn)行。例如，假設(shè)我們創(chuàng)建了一個(gè)簡(jiǎn)單的聚類算法來(lái)區(qū)分紅玫瑰和其他花朵：
我們將算法設(shè)計(jì)為計(jì)算給定圖像中紅色像素的數(shù)量，如果有足夠多的紅色像素（大于300個(gè)紅色像素）就被歸類為紅玫瑰。（這個(gè)例子里我們只提取了顏色特征）
還有一點(diǎn)需要注意的是，輸入圖像的大小、裁切方式都會(huì)影響算法的輸出結(jié)果，因此數(shù)據(jù)預(yù)處理非常重要！
作為數(shù)據(jù)的圖像
圖像中的每一個(gè)像素都是一個(gè)我們可以改變的數(shù)值，比如，我們可以將一個(gè)像素乘以一個(gè)標(biāo)量來(lái)改變圖像亮度，我們也可以將每個(gè)像素值向右移動(dòng)來(lái)改變圖像飽和度等。
將圖像視為數(shù)字網(wǎng)格是許多圖像處理技術(shù)的基礎(chǔ)。一般來(lái)說(shuō)，色彩與形狀改變都是通過(guò)數(shù)學(xué)運(yùn)算對(duì)圖像進(jìn)行逐像素變換完成的。
展開 計(jì)算機(jī)視覺(jué)必讀：目標(biāo)跟蹤、網(wǎng)絡(luò)壓縮、圖像分類、人臉識(shí)別等
CNN+RNN捕獲遠(yuǎn)距離依賴 之前的方法只能捕獲幾幀圖像之間的依賴關(guān)系，這類方法旨在用CNN提取單幀圖像特征，之后用RNN捕獲幀之間的依賴。
此外，有研究工作試圖將CNN和RNN合二為一，使每個(gè)卷積層都能捕獲遠(yuǎn)距離依賴。
作者簡(jiǎn)介：
張皓，
南京大學(xué)計(jì)算機(jī)系機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘所（LAMDA）碩士生，研究方向?yàn)?em>計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)，特別是視覺(jué)識(shí)別和深度學(xué)習(xí)
『科普』計(jì)算機(jī)視覺(jué)簡(jiǎn)介：歷史、現(xiàn)狀和發(fā)展趨勢(shì)
簡(jiǎn)言之，計(jì)算機(jī)視覺(jué)是以圖像（視頻）為輸入，以對(duì)環(huán)境的表達(dá)（representation）和理解為目標(biāo)，研究圖像信息組織、物體和場(chǎng)景識(shí)別、進(jìn)而對(duì)事件給予解釋的學(xué)科。從目前的研究現(xiàn)狀看，目前還主要聚焦在圖像信息的組織和識(shí)別階段，對(duì)事件解釋還鮮有涉及，至少還處于非常初級(jí)的階段。
這里需要強(qiáng)調(diào)的是，每個(gè)人由于背景不同，偏好不同，知識(shí)面不同，對(duì)同一問(wèn)題的觀點(diǎn)亦會(huì)不同，甚至出現(xiàn)大相徑庭的局面。上面為筆者對(duì)計(jì)算機(jī)視覺(jué)的理解，也許是片面或錯(cuò)誤的。
如不少人認(rèn)為“紋理分析”是計(jì)算機(jī)視覺(jué)的一個(gè)重要研究方向，筆者不敢茍同。另外，很多場(chǎng)合，人們把“圖像處理”也認(rèn)為是“計(jì)算機(jī)視覺(jué)”，這也是不恰當(dāng)?shù)摹?em>圖像處理是一門獨(dú)立的學(xué)科，圖像處理研究圖像去噪、圖像增強(qiáng)等內(nèi)容，輸入為圖像，輸出也是圖像。計(jì)算機(jī)視覺(jué)利用圖像處理技術(shù)進(jìn)行圖像預(yù)處理，但圖像處理本身構(gòu)不成計(jì)算機(jī)視覺(jué)的核心內(nèi)容。
這里順便說(shuō)一下，目前很多人對(duì)“感知”和“認(rèn)知”不加區(qū)分，給讀者帶來(lái)不必要的困惑和誤解。
在不少場(chǎng)合下，經(jīng)常會(huì)見到有些“視覺(jué)專家”把“認(rèn)知”和“推理與決策”（reasoning and decision）作為平行概念使用，這事實(shí)上是不太嚴(yán)謹(jǐn)?shù)摹８鶕?jù)“維基百科”，“認(rèn)知”是指通過(guò)感覺(jué)（senses）、經(jīng)歷 (experience)和思考(thoughts)來(lái)獲取知識(shí)(knowledge)和進(jìn)行理解(understanding)的思維過(guò)程（mental process）。
認(rèn)知包括：知識(shí)形成（knowledge），注視（attention），記憶（memory），推理（reasoning），問(wèn)題求解（problem solving）、決策（ decision making）以及語(yǔ)言生成（language production）等。
展開 OpenCV3編程入門PDF高清文檔免費(fèi)下載
《OpenCV3編程入門》要求讀者具有基礎(chǔ)的C/C++知識(shí)，適合研究計(jì)算機(jī)視覺(jué)以及相關(guān)領(lǐng)域的在校學(xué)生和老師、初次接觸OpenCV但有一定C/C++編程基礎(chǔ)的研究人員，以及已有過(guò)OpenCV 1.0編程經(jīng)驗(yàn)，想快速了解并上手OpenCV2、OpenCV3編程的計(jì)算機(jī)視覺(jué)領(lǐng)域的專業(yè)人員。《OpenCV3編程入門》也適合于圖像處理、計(jì)算機(jī)視覺(jué)領(lǐng)域的業(yè)余愛(ài)好者、開源項(xiàng)目愛(ài)好者做為通向新版OpenCV的參考手冊(cè)之用。
全網(wǎng)最全Python必讀書藉合集（PDF文檔免費(fèi)下載）
目錄：
第一部分 快速上手OpenCV 1
第1章 邂逅OpenCV 3
第2章 啟程前的認(rèn)知準(zhǔn)備 39
第3章 HighGUI圖形用戶界面初步 63
第二部分 初探core組件 83
第4章 OpenCV數(shù)據(jù)結(jié)構(gòu)與基本繪圖 85
第5章 core組件進(jìn)階 107
第三部分 掌握imgproc組件 151
第6章 圖像處理 153
第7章 圖像變換 247
第8章 圖像輪廓與圖像分割修復(fù) 303
第9章 直方圖與匹配 345
第四部分 深入feature2d組件 375
第10章 角點(diǎn)檢測(cè) 377
第11章 特征檢測(cè)與匹配 395
展開 
超聲波傳感器在行人檢測(cè)中的應(yīng)用
而行人檢測(cè)是計(jì)算機(jī)視覺(jué)中一個(gè)重要但具有挑戰(zhàn)性的問(wèn)題，特別是在以人為中心的任務(wù)中由于行人兼具剛性和柔性物體的特性，外觀易受穿著、尺度、遮擋、姿態(tài)和視角等影響是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)既具有研究?jī)r(jià)值、同時(shí)又極具挑戰(zhàn)性的熱門課題。下面工網(wǎng)小編和大家一起了解一下超聲波傳感器在行人檢測(cè)中的應(yīng)用。
行人檢測(cè)技術(shù)是自動(dòng)駕駛、機(jī)器人以及智能視頻監(jiān)控等研究領(lǐng)域的核心技術(shù)。行人檢測(cè)通過(guò)圖像處理、計(jì)算機(jī)視覺(jué)相關(guān)算法以及機(jī)器學(xué)習(xí)等技術(shù)對(duì)道路行人進(jìn)行識(shí)別和追蹤，在智能車輛、自動(dòng)導(dǎo)航、運(yùn)動(dòng)分析等領(lǐng)域都有著廣泛的應(yīng)用前景。傳統(tǒng)的行人檢測(cè)方法主要是對(duì)目標(biāo)的形狀、大小、紋理等進(jìn)行識(shí)別，這種方法在圖像噪聲較大或行人多姿勢(shì)變化等場(chǎng)景下性能不理想。
而行人檢測(cè)要解決的問(wèn)題是找出圖像或視頻幀中所有的行人，包括位置和大小，一般用矩形框表示，和人臉檢測(cè)類似，這也是典型的目標(biāo)檢測(cè)問(wèn)題。針對(duì)行人檢測(cè)工采網(wǎng)推薦使用一款MaxBotix 行人檢測(cè)超聲波傳感器 - MB1010。
該傳感器MB1010是一款超低功耗、寬波束角和高靈敏度的超聲波傳感器,它可以通過(guò)脈寬輸出、模擬電壓輸出以及串口輸出得到可靠穩(wěn)定的距離數(shù)據(jù)。并且測(cè)量周期短，可測(cè)距離長(zhǎng)達(dá)6.45米。同時(shí)，它也是公司最受歡迎的室內(nèi)超聲波傳感器，因?yàn)樗且豢罘浅３錾牡统杀就ㄓ眯蛡鞲衅鳌１粡V泛應(yīng)用于行人檢測(cè)、安全、運(yùn)動(dòng)檢測(cè)、可電池供電、自動(dòng)導(dǎo)航、教育和愛(ài)好機(jī)器人學(xué)、避免碰撞等領(lǐng)域。
展開 機(jī)器視覺(jué)常用圖像軟件對(duì)比及分析
機(jī)器視覺(jué)處理軟件：用來(lái)完成輸入圖像數(shù)據(jù)的處理，通過(guò)一定的運(yùn)算得出結(jié)果，這個(gè)輸出的結(jié)果可能是PASS/FAIL信號(hào)、坐標(biāo)位置、字符串等。
常見的機(jī)器視覺(jué)軟件以C/C++圖像庫(kù)，ActiveX控件，圖形式編程環(huán)境等形式出現(xiàn)，可以是專用功能的（比如僅僅用于LCD檢測(cè)，BGA檢測(cè)，模版對(duì)準(zhǔn)等），也可以是通用目的的（包括定位、測(cè)量、條碼/字符識(shí)別、斑點(diǎn)檢測(cè)等）。
主流的機(jī)器視覺(jué)軟件有：側(cè)重圖像處理的圖像軟件包Opencv，Halcon、美國(guó)康耐視（Cogrex ）的 visionpro；側(cè)重算法的matlab，labview、；側(cè)重相機(jī)SDK開發(fā)的eVision等。
展開 matlab入門資料分享及學(xué)習(xí)網(wǎng)站推薦
最近由于做課題，涉及到使用matlab求解非線性動(dòng)力學(xué)相關(guān)的問(wèn)題，在網(wǎng)上搜集了一些matlab相關(guān)的書籍資料，資料類型包括基礎(chǔ)入門的學(xué)習(xí)，數(shù)學(xué)建模，信號(hào)處理，智能優(yōu)化，統(tǒng)計(jì)分析等等，部分書籍有matlab源碼（末尾有資料獲取方式）。
另外matlab官方文檔里也可以找到很多相關(guān)的學(xué)習(xí)資料。
1、mathworks.com/help/index.html
MathWorks公司推出的集matlab參考文檔、程序示例、函數(shù)集合、視頻簡(jiǎn)介、疑難解答于一體的綜合matlab學(xué)習(xí)平臺(tái)。在這里不僅學(xué)習(xí)基礎(chǔ)matlab編程，還包括simulink、工具箱等高階matlab知識(shí)。
2、mathworks.com/matlabcentral/fileexchange
MathWorks公司推出matlab程序共享平臺(tái)，絕大部分代碼都是可直接閱讀的源文件。如果想要求某個(gè)算法的源代碼，可以來(lái)這里搜一搜。
3、blogs.mathworks.com
MathWorks公司推出的matlab編程專屬博客網(wǎng)站，MathWorks公司職員在這個(gè)博客上面分享他們的matlab心得。
4、mathworks.com/matlabcentral/answers
MathWorks公司推出的matlab編程問(wèn)答中心。目前該問(wèn)答中心匯集了29萬(wàn)多個(gè)matlab編程方面的問(wèn)題，約有15萬(wàn)個(gè)多問(wèn)題被圓滿解答。對(duì)于matlab初學(xué)者而言，所遇到的問(wèn)題基本上都能在這里找到完美答案。
5、matlabacademy.mathworks.com
MathWorks公司推出的matlab課程學(xué)習(xí)平臺(tái)。涵蓋內(nèi)容包括編程與應(yīng)用程序開發(fā)、圖像處理與計(jì)算機(jī)視覺(jué)、信號(hào)處理與通信、建模與仿真以及控制與算法設(shè)計(jì)等。
展開 計(jì)算機(jī)視覺(jué)中的傳統(tǒng)特征提取方法總結(jié)
圖像經(jīng)過(guò)這種遍歷操作后，圖像就被二值化了，每一個(gè)窗口中心的8鄰域點(diǎn)都可以由8位二進(jìn)制數(shù)來(lái)表示，即可產(chǎn)生256種LBP碼，這個(gè)LBP碼值可以用來(lái)反映窗口的區(qū)域紋理信息。LBP具體在生成的過(guò)程中，先將圖像劃分為若干個(gè)子區(qū)域，子區(qū)域窗口可根據(jù)原圖像的尺寸進(jìn)行調(diào)整，而不一定非得為3×3的正方形窗口。一般對(duì)于512×640的圖像，子區(qū)域窗口區(qū)域選取大小為16×16。
②圓形LBP： 經(jīng)典LBP用正方形來(lái)描述圖像的紋理特征，其缺點(diǎn)是難以滿足不同尺寸和頻率的需求。Ojala等人對(duì)經(jīng)典LBP進(jìn)行了改進(jìn)，提出了將3×3的正方形窗口領(lǐng)域擴(kuò)展到任意圓形領(lǐng)域。由于圓形LBP采樣點(diǎn)在圓形邊界上，那么必然會(huì)導(dǎo)致部分計(jì)算出來(lái)的采樣點(diǎn)坐標(biāo)不是整數(shù)，因此這里就需要對(duì)得到的坐標(biāo)像素點(diǎn)值進(jìn)行處理，常用的處理方法是最近鄰插值或雙線性插值。
放一張SIFT/HOG/LBP優(yōu)缺點(diǎn)、適用范圍對(duì)比圖：
5.4 HAAR
人臉檢測(cè)最為經(jīng)典的算法Haar-like特征+Adaboost。這是最為常用的物體檢測(cè)的方法（最初用于人臉檢測(cè)），也是用的最多的方法。
訓(xùn)練過(guò)程： 輸入圖像->圖像預(yù)處理->提取特征->訓(xùn)練分類器（二分類）->得到訓(xùn)練好的模型；
測(cè)試過(guò)程：輸入圖像->圖像預(yù)處理->提取特征->導(dǎo)入模型->二分類（是不是所要檢測(cè)的物體）。
Haar-like特征是很簡(jiǎn)單的，無(wú)非就是那么幾種，如兩矩形特征、三矩形特征、對(duì)角特征。后來(lái)，還加入了邊緣特征、線特征、中心環(huán)繞特征等。使用積分圖可以加速計(jì)算特征。最后，使用集成的方法Adaboost進(jìn)行訓(xùn)練。
展開 一種基于機(jī)器視覺(jué)的模糊圖像復(fù)原算法
摘要
在加工件位置發(fā)生移動(dòng)的情況下，嘗試用機(jī)器視覺(jué)分析的技術(shù)來(lái)獲取均勻運(yùn)動(dòng)的被測(cè)物表面的細(xì)節(jié)信息。由于相機(jī)和被捕獲物體之間的相對(duì)運(yùn)動(dòng)，圖像可能會(huì)變得模糊。因此，在后續(xù)分析之前，必須通過(guò)消除運(yùn)動(dòng)引起的失真來(lái)恢復(fù)和還原圖像，從而可以以特定的算法來(lái)還原和識(shí)別原始圖像，以實(shí)現(xiàn)深層的研究目的。
關(guān)鍵詞：機(jī)器視覺(jué),圖像復(fù)原,數(shù)據(jù)采集
*基金項(xiàng)目：基于機(jī)器視覺(jué)的鞋孔檢測(cè)與定位系統(tǒng)研究(JAT201340)
作者：歐海寧、林慶林、宋進(jìn)，湄洲灣職業(yè)技術(shù)學(xué)院
由于表面特性對(duì)產(chǎn)品的質(zhì)量和性能有相當(dāng)大的影響，因此，表面特性的測(cè)量在制造業(yè)中具有重要意義。在傳統(tǒng)的表面測(cè)量中，常見的方法是將探針貼合工件表面并監(jiān)測(cè)其運(yùn)動(dòng)，以便追蹤表面的微輪廓。但是接觸式測(cè)量會(huì)帶來(lái)很多的缺點(diǎn)。所以，隨著技術(shù)的發(fā)展，非接觸式的檢測(cè)方法開始受到了更廣泛的關(guān)注和應(yīng)用。
在本文中，我們模擬了獲取運(yùn)動(dòng)物體表面的模糊圖像，再使用Lucy Restoration(LR)算法對(duì)圖像進(jìn)行處理，從而驗(yàn)證在特性條件下還原和識(shí)別原圖的可行性，以便今后進(jìn)一步用于工業(yè)上的表面細(xì)節(jié)信息分析。
展開 收藏 | 深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用總結(jié)
計(jì)算機(jī)視覺(jué)需要圖像預(yù)處理，比如特征提取，包括特征點(diǎn)，邊緣和輪廓之類。以前做跟蹤和三維重建，首先就得提取特征。特征點(diǎn)以前成功的就是SIFT/SURF/FAST之類，現(xiàn)在完全可以通過(guò)CNN形成的特征圖來(lái)定義。
邊緣和輪廓的提取是一個(gè)非常tricky的工作，細(xì)節(jié)也許就會(huì)被過(guò)強(qiáng)的圖像線條掩蓋，紋理（texture）本身就是一種很弱的邊緣分布模式，分級(jí)（hierarchical）表示是常用的方法，俗稱尺度空間（scale space）。以前做移動(dòng)端的視覺(jué)平臺(tái)，有時(shí)候不得不把一些圖像處理功能關(guān)掉，原因是造成了特征畸變。現(xiàn)在CNN這種天然的特征描述機(jī)制，給圖像預(yù)處理提供了不錯(cuò)的工具，它能將圖像處理和視覺(jué)預(yù)處理合二為一。
1 特征提取
LIFT（Learned Invariant Feature Transform）模型，就是在模仿SIFT：
2 邊緣/輪廓提取
一個(gè)輪廓檢測(cè)的encoder-decoder network模型：
3 特征匹配
這里給出一個(gè)做匹配的模型MatchNet：
2.5-D計(jì)算機(jī)視覺(jué)部分（不是全3-D）
涉及到視差或者2-D運(yùn)動(dòng)的部分一般稱為2.5-D空間。這個(gè)部分和前面的2-D問(wèn)題是一樣的，作為重建任務(wù)它也是逆問(wèn)題，需要約束條件求解優(yōu)化解，比如TV，GraphCut。一段時(shí)間（特別是Marr時(shí)代）計(jì)算機(jī)視覺(jué)的工作，就是解決約束條件下的優(yōu)化問(wèn)題。
后來(lái)，隨機(jī)概率和貝葉斯估計(jì)大行其事，約束條件變成了先驗(yàn)知識(shí)（prior），計(jì)算機(jī)視覺(jué)圈里寫文章要是沒(méi)有 P (Probability) 和 B (Bayes)，都不好意思發(fā)。
展開 采用Python計(jì)算機(jī)視覺(jué)的智能人臉考勤系統(tǒng) ￥15
<div contenteditable="false" width="100%">
1-1 -課程概述和功能
</div><div contenteditable="false" width="100%">
2-2 -安裝Python
</div><div contenteditable="false" width="100%">
2-3 - Python開發(fā)的VS代碼設(shè)置
</div><div contenteditable="false" width="100%">
3-4 -安裝所需軟件包Dlib OpenCV等
</div><div contenteditable="false" width="100%">
3-5 -捕獲和存儲(chǔ)面部圖像
</div><div contenteditable="false" width="100%">
4-6 -提取人臉嵌入和識(shí)別地標(biāo)
</div><div contenteditable="false" width="100%">
5-7 -基于機(jī)器學(xué)習(xí)的人臉識(shí)別培訓(xùn)
</div><div contenteditable="false" width="100%">
6-8 -實(shí)施實(shí)時(shí)人臉識(shí)別和考勤自動(dòng)化
</div><div contenteditable="false" width="100%">
7-9 -設(shè)計(jì)和集成Tkinter GUI
</div><div contenteditable="false" width="100%">
8-10 -課程總結(jié)
</div><div contenteditable="false" width="100%">
<br>
</div><div contenteditable="false
展開 
激光雷達(dá)作為相機(jī) --數(shù)字激光雷達(dá)對(duì)計(jì)算機(jī)視覺(jué)的影響
激光雷達(dá)數(shù)據(jù)具有令人難以置信的優(yōu)勢(shì)——豐富的空間信息和與光照無(wú)關(guān)的傳感等等——但它缺乏相機(jī)圖像的原始分辨率和高效的陣列結(jié)構(gòu)，而且 3D 點(diǎn)云仍然更難以在神經(jīng)網(wǎng)絡(luò)中編碼或使用硬件進(jìn)行處理加速度。
考慮到兩種傳感模式之間的權(quán)衡，我們從一開始就著手將激光雷達(dá)和相機(jī)的最佳方面整合到一個(gè)設(shè)備中。今天，我們將發(fā)布固件升級(jí)和更新我們的開源驅(qū)動(dòng)程序，以實(shí)現(xiàn)這一目標(biāo)。OS1 現(xiàn)在無(wú)需攝像頭即可實(shí)時(shí)輸出固定分辨率的深度圖像、信號(hào)圖像和環(huán)境圖像。數(shù)據(jù)層在空間上完全相關(guān)，具有零時(shí)間不匹配或快門效應(yīng)，并且具有每像素 16 位和線性照片響應(yīng)。一探究竟：
從 OS1 輸出的同步實(shí)時(shí)圖像層。
您從上到下看到的是環(huán)境、強(qiáng)度、范圍和點(diǎn)云數(shù)據(jù) - 全部來(lái)自我們的激光雷達(dá)。
請(qǐng)注意，環(huán)境圖像捕獲了多云的天空以及樹木和車輛的陰影。
OS1 的光學(xué)系統(tǒng)具有比大多數(shù)數(shù)碼單反相機(jī)更大的光圈，而且我們開發(fā)的光子計(jì)數(shù) ASIC 具有極低的光敏度，因此即使在弱光條件下我們也能夠收集環(huán)境圖像。OS1 捕獲近紅外信號(hào)和環(huán)境數(shù)據(jù)，因此數(shù)據(jù)與同一場(chǎng)景的可見光圖像非常相似，這使數(shù)據(jù)看起來(lái)很自然，并且很有可能為相機(jī)開發(fā)的算法很好地轉(zhuǎn)化為數(shù)據(jù)。將來(lái)，我們將努力從這些環(huán)境圖像中去除固定模式噪聲，但我們希望同時(shí)讓客戶獲得數(shù)據(jù)！
我們還更新了我們的開源驅(qū)動(dòng)程序以將這些數(shù)據(jù)層輸出為固定分辨率的 360° 全景幀，以便客戶可以立即開始使用新功能，并且我們提供了一個(gè)基于 VTK 的新跨平臺(tái)可視化工具，用于查看、記錄，并在Linux、Mac 和 Windows 上并排播放圖像和點(diǎn)云。傳感器輸出的數(shù)據(jù)不需要后處理即可實(shí)現(xiàn)此功能——神奇之處在于硬件，驅(qū)動(dòng)程序只需將流數(shù)據(jù)包組裝成圖像幀。
展開 計(jì)算機(jī)視覺(jué)四大基本任務(wù)(分類、定位、檢測(cè)、分割)
本文是該系列文章中的第二篇，旨在介紹深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域四大基本任務(wù)中的應(yīng)用，包括分類(圖a)、定位、檢測(cè)(圖b)、語(yǔ)義分割(圖c)、和實(shí)例分割(圖d)。后續(xù)文章將關(guān)注深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的其他任務(wù)的應(yīng)用，以及自然語(yǔ)言處理和語(yǔ)音識(shí)別。
計(jì)算機(jī)視覺(jué)(computer vision)簡(jiǎn)介
計(jì)算機(jī)視覺(jué)旨在識(shí)別和理解圖像/視頻中的內(nèi)容。其誕生于1966年MIT AI Group的"the summer vision project"。當(dāng)時(shí)，人工智能其他分支的研究已經(jīng)有一些初步成果。由于人類可以很輕易地進(jìn)行視覺(jué)認(rèn)知，MIT的教授們希望通過(guò)一個(gè)暑期項(xiàng)目解決計(jì)算機(jī)視覺(jué)問(wèn)題。當(dāng)然，計(jì)算機(jī)視覺(jué)沒(méi)有被一個(gè)暑期內(nèi)解決，但計(jì)算機(jī)視覺(jué)經(jīng)過(guò)50余年發(fā)展已成為一個(gè)十分活躍的研究領(lǐng)域。如今，互聯(lián)網(wǎng)上超過(guò)70%的數(shù)據(jù)是圖像/視頻，全世界的監(jiān)控?cái)z像頭數(shù)目已超過(guò)人口數(shù)，每天有超過(guò)八億小時(shí)的監(jiān)控視頻數(shù)據(jù)生成。如此大的數(shù)據(jù)量亟待自動(dòng)化的視覺(jué)理解與分析技術(shù)。
計(jì)算機(jī)視覺(jué)的難點(diǎn)在于語(yǔ)義鴻溝。這個(gè)現(xiàn)象不僅出現(xiàn)在計(jì)算機(jī)視覺(jué)領(lǐng)域，Moravec悖論發(fā)現(xiàn)，高級(jí)的推理只需要非常少的計(jì)算資源，而低級(jí)的對(duì)外界的感知卻需要極大的計(jì)算資源。要讓計(jì)算機(jī)如成人般地下棋是相對(duì)容易的，但是要讓電腦有如一歲小孩般的感知和行動(dòng)能力卻是相當(dāng)困難甚至是不可能的。
語(yǔ)義鴻溝(semantic gap) 人類可以輕松地從圖像中識(shí)別出目標(biāo)，而計(jì)算機(jī)看到的圖像只是一組0到255之間的整數(shù)。
計(jì)算機(jī)視覺(jué)任務(wù)的其他困難 拍攝視角變化、目標(biāo)占據(jù)圖像的比例變化、光照變化、背景融合、目標(biāo)形變、遮擋等。
計(jì)算機(jī)視覺(jué)的頂級(jí)會(huì)議和期刊 頂級(jí)會(huì)議有CVPR、ICCV、和ECCV，此外ICLR也有不少計(jì)算機(jī)視覺(jué)論文。頂級(jí)期刊有IJCV和TPAMI。
展開 葉聰：朋友圈背后的計(jì)算機(jī)視覺(jué)技術(shù)與應(yīng)用
一、朋友圈爆款活動(dòng)背后的技術(shù)
今天我會(huì)從朋友圈的一些爆款的互動(dòng)活動(dòng)作為切入點(diǎn)，帶大家過(guò)一遍一些計(jì)算及視覺(jué)技術(shù)與應(yīng)用，或者把AI技術(shù)產(chǎn)業(yè)化。我們經(jīng)常在朋友圈會(huì)看到一些比較有趣的互動(dòng)的活動(dòng)，比如像軍裝照、武士青年這類活動(dòng)視覺(jué)比較流行的應(yīng)用，也是目前探索出來(lái)的計(jì)算機(jī)視覺(jué)能夠最快來(lái)到大家身邊的方式。以過(guò)去的五四青年節(jié)的活動(dòng)為例，這個(gè)有趣的活動(dòng)就應(yīng)用了人臉檢測(cè)與人臉檢索的技術(shù)相結(jié)合。
上傳一張照片最匹配民國(guó)時(shí)候有為青年的照片，做成這種頁(yè)面供大家分享。這種模式最開始就是由騰訊開啟，現(xiàn)已成為了整個(gè)行業(yè)應(yīng)用的參考。除了這個(gè)活動(dòng)，H5這類應(yīng)用往往會(huì)出現(xiàn)用戶訪問(wèn)爆發(fā)性的增長(zhǎng)，為了應(yīng)對(duì)這種突如其來(lái)的流量暴增，使用一整套云架構(gòu)部署，而不是傳統(tǒng)機(jī)房里面用幾臺(tái)服務(wù)器處理。比如像五四青年的活動(dòng)，5萬(wàn)KPS的架構(gòu)就有這樣的承載能力。從個(gè)人角度想要做這樣的應(yīng)用，需要了解以下的基礎(chǔ)知識(shí)。
二、計(jì)算機(jī)視覺(jué)定義
首先從計(jì)算機(jī)視覺(jué)的基本定義開始，學(xué)術(shù)角度來(lái)講是研究如何讓計(jì)算機(jī)從圖像和視頻中獲取高級(jí)抽象的信息的一種方法。但我比較喜歡后面這種工程角度的解釋，計(jì)算機(jī)視覺(jué)是可以使機(jī)器來(lái)模仿人類自動(dòng)化。現(xiàn)在我們利用計(jì)算機(jī)視覺(jué)讓整個(gè)流程更自動(dòng)化，機(jī)器可以部分的代替人力去理解圖片中的一些信息。計(jì)算機(jī)視覺(jué)還包含一些子分支，現(xiàn)在這個(gè)分支還會(huì)慢慢擴(kuò)張，這個(gè)分類也在慢慢的擴(kuò)大。主要包括物體識(shí)別、對(duì)象檢測(cè)、語(yǔ)義分割、3D的重建，動(dòng)作識(shí)別等等。
底下有幾個(gè)比較常見的視覺(jué)應(yīng)用，第一個(gè)是人臉識(shí)別；第二個(gè)是無(wú)人駕駛；第三個(gè)是語(yǔ)義分割。語(yǔ)義分割在人工智能這個(gè)領(lǐng)域還是比較常見的。一般指詞性的分割，或者詞的分割。圖像分割里面的語(yǔ)義分割一般指的是把圖像里面的不同類型的對(duì)象進(jìn)行標(biāo)注和區(qū)分。
展開 【EI會(huì)議】光學(xué)、成像與計(jì)算機(jī)視覺(jué)國(guó)際學(xué)術(shù)會(huì)議 (OMCV 2023)
光學(xué)、成像與計(jì)算機(jī)視覺(jué)國(guó)際學(xué)術(shù)會(huì)議(OMCV 2023)
International Conference on Optics, Imaging and Computer Vision (OMCV 2023)
2023年12月08-10日/ 海南 海口
光學(xué)、成像與計(jì)算機(jī)視覺(jué)國(guó)際學(xué)術(shù)會(huì)議(OMCV 2023)將于 2023 年 12 月 08-10 日 在中國(guó)海口舉行。
本次會(huì)議將圍繞光學(xué)、成像技術(shù)、計(jì)算機(jī)視覺(jué)等研究領(lǐng)域展開討論，為來(lái)自相關(guān)領(lǐng)域的專家學(xué)者、工程技術(shù)人員、技術(shù)研發(fā)人員等提供一個(gè)良好的學(xué)術(shù)交流平臺(tái)，共享科研成果和前沿技術(shù)，了解學(xué)術(shù)發(fā)展趨勢(shì)，拓寬研究思路，加強(qiáng)學(xué)術(shù)研究和探討。在此謹(jǐn)代表OMCV組委會(huì)誠(chéng)摯歡迎各位專家學(xué)者踴躍參會(huì)！
OMCV 2023已正式啟動(dòng)，歡迎投稿，參會(huì)或申請(qǐng)成為外部評(píng)審人~
征稿領(lǐng)域
光學(xué)奠定了圖像處理和人工視覺(jué)的基礎(chǔ)，激光、光纖、電荷耦合器件等發(fā)展，為成像和計(jì)算機(jī)視覺(jué)提供了巨大前景。OMCV 2023現(xiàn)征集關(guān)于成像和視覺(jué)領(lǐng)域的技術(shù)及應(yīng)用的原創(chuàng)性文章，特別歡迎有光學(xué)背景的成像和視覺(jué)的跨學(xué)科產(chǎn)出。
The topics of interest include, but are not limited to:
圖像和視頻處理
計(jì)算機(jī)視覺(jué)
場(chǎng)景建模（包括三維光學(xué)成像）
與圖像有關(guān)的機(jī)器學(xué)習(xí)
物體識(shí)別、跟蹤和運(yùn)動(dòng)分析
基于視覺(jué)的人機(jī)交互
光譜成像
生物醫(yī)學(xué)成像
計(jì)算機(jī)攝影
超高分辨電子顯微鏡
出版與檢索
OMCV2023錄用并展示的文章將以會(huì)議論文集形式出版, 見刊后由出版社提交 Ei Compendex, Scopus, Web of Science Conference Proceedings Citation Index 等數(shù)據(jù)庫(kù)。
展開 圖像處理與計(jì)算機(jī)視覺(jué)的相關(guān)專題、標(biāo)簽、搜索
圖像處理與計(jì)算機(jī)視覺(jué)計(jì)算機(jī)視覺(jué)計(jì)算機(jī)視覺(jué)與虛擬現(xiàn)實(shí)圖像處理與機(jī)器視覺(jué)計(jì)算機(jī)科學(xué)與技術(shù)計(jì)算機(jī)軟件與理論 計(jì)算機(jī)綜合前后處理高性能計(jì)算熱處理有限元與力學(xué)測(cè)控與儀器 數(shù)字圖像處理與機(jī)器視覺(jué)——visual c 與matlab實(shí)現(xiàn) 程序計(jì)算機(jī)視覺(jué)計(jì)算機(jī)視覺(jué)識(shí)別計(jì)算機(jī)視覺(jué)土木計(jì)算機(jī)視覺(jué) 位移計(jì)算機(jī)視覺(jué)和力學(xué)
