计算机视觉概述

计算机视觉是指用摄像机和计算机代替人眼对目标进行识别、跟踪和测量等图像分类图像分类问题是通过对图像的分析，将图像划归为若干个类别中的某一种，主要强调对图像整体的语义进行判定。ＡｌｅｘＮｅｔ是一个８层的卷积神经网络，前５层是卷积层，后３层为全连接层，其中最后一层采用ｓｏｆｔｍａｘ进行分类。该模型采用Ｒｅｃｔｉｆｉｅｄｌｉｎｅａｒｕ－ｎｉｔｓ（ＲｅＬＵ）来取代传统的Ｓｉｇｍｏｉｄ和ｔａｎｈ函数作为神经元的非线性激活函数，并提出了Ｄｒｏｐｏｕｔ方法来减轻过拟合问题。物体检测图像检测是指在分类图像的同时把物体用矩形框给圈起来。从14年到16年，先后涌现出R-CNN,FastR-CNN,FasterR-CNN,YOLO,SSD等知名框架，其检测平均精度（mAP），在计算机视觉一个知名数据集上PASCALVOC上的检测平均精度（mAP），也从R-CNN的53.3%，到FastRCNN的68.4%，再到FasterR-CNN的75.9%，最新实验显示，FasterRCNN结合残差网（Resnet-101），其检测精度可以达到83.8%。深度学习检测速度也越来越快，从最初的RCNN模型，处理一张图片要用2秒多，到FasterRCNN的198毫秒/张，再到YOLO的155帧/秒（其缺陷是精度较低，只有52.7%），最后出来了精度和速度都较高的SSD，精度75.1%，速度23帧/秒。图像检测示例姿态估计正确快速地识别和理解图像中人的姿态动作姿态估计的主要任务就是，给定一张图，图中会有一个人，你需要给出这个人的姿态动作是什么样的。人们会提前选定出比较重要的几个人体关节（比如肩膀、肘部、脖子等），然后用一个固定维数（比如７维和１１维）的坐标向量来表示这个动作，每一维都表示图中人物的重要关节所在的具体坐标，如图１１所示。换句话说，你需要给出一个火柴人的形状来表示这个人的姿态。图像分割它的目的是把图像中各种不同物体给用不同颜色分割出来，如下图所示，图像分割的例子人脸识别人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。人脸图像采集及检测人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。人脸图像预处理人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。人脸图像特征提取人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。人脸图像匹配与识别人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。