By Frank Lee is the co-founder and CEO of Eurika Solutions

[[340725]]

計算機視覺的發展演進

我們可以輕松地在日常產品中找到計算機視覺技術的應用，從可以識別手勢的游戲機到可以自動聚焦于人臉的智能手機攝像頭。如今，計算機視覺正在影響我們生活的許多領域。

實際上，計算機視覺在商業和政府使用中已有悠久的歷史。可以感測各種光譜范圍內的光波的光學傳感器已在許多應用中部署：像制造中的產品質量檢測，用于環境管理的遙感或在戰場上收集情報的高分辨率相機。這些傳感器中的一些是固定的，而另一些則附著在移動的物體上，例如衛星、無人機和車輛。

過去，這些計算機視覺應用中有許多都限于某些封閉的平臺。但是，當與IP連接技術結合使用時，它們會創建一套以前無法實現的新應用。計算機視覺，再加上IP連接性、高級數據分析和人工智能，將成為彼此的催化劑，從而引發物聯網（IoT）創新和應用的革命性飛躍。

推動計算機視覺的多個領域的進步

專為視覺設計的環境

視力或視覺是人類五種感官中最發達的。我們每天都使用它來認識我們的朋友、發現前進道路上的障礙、完成任務并學習新事物。我們設計視覺環境的物理環境，有路標和信號燈可以幫助我們從一個地方到達另一個地方；商店有標牌來幫助我們找到它們；電腦和電視屏幕顯示我們消費的信息和娛樂。考慮到視覺的重要性，將其擴展到計算機和自動化領域并不是一個大飛躍。

什么是計算機視覺？

計算機視覺始于捕獲和存儲圖像或一組圖像的技術，然后將這些圖像轉換為可以進一步作用的信息。它由多種技術共同組成（圖1）。計算機視覺工程是一個跨學科領域，需要許多這些技術的跨功能和系統專業知識。

例如，Microsoft Kinect使用3D計算機圖形算法來使計算機視覺能夠分析和理解三維場景。它允許游戲開發人員將實時的全身運動捕捉與人工3D環境合并。除了游戲以外，這還在機器人技術、虛擬現實（VR）和增強現實（AR）應用等領域開辟了新的可能性。

傳感器技術的進步也在許多方面超越了傳統的相機傳感器而迅速發展。最近的一些例子包括：

1. 紅外傳感器和激光結合起來可感應深度和距離，這是自動駕駛汽車和3D映射應用的關鍵推動力之一
2. 非侵入式傳感器，無需物理接觸即可跟蹤醫療患者的生命體征
3. 高頻攝像頭可以捕捉人眼無法察覺的細微動作，幫助運動員分析步態
4. 超低功耗和低成本視覺傳感器，可以長時間部署在任何地方

圖1.由多個領域的進步推動的計算機視覺。圖片來源：IFA

計算機視覺變得智能

早期應用

監控行業是圖像處理技術和視頻分析的較早采用者之一。視頻分析是計算機視覺的一種特殊用例，其重點是從數小時的錄像中查找模式。在現實世界中自動檢測和識別預定義模式的能力代表著數百個用例的巨大市場機會。

首批視頻分析工具使用手工算法來識別圖像和視頻中的特定功能。它們在實驗室設置和模擬環境中都是準確的。但是，當輸入數據（例如光照條件和攝像機視圖）偏離設計假設時，性能會迅速下降。

研究人員和工程師花了很多年時間開發和調整算法，或者提出新的算法來應對不同的條件。但是，使用這些算法的攝像機或錄像機仍然不夠堅固。盡管這些年來取得了一些漸進的進步，但現實世界的糟糕表現限制了該技術的實用性和采用性。

深度學習突破

近年來，深度學習算法的出現重新激發了計算機視覺。深度學習使用模仿人類大腦神經元的人工神經網絡（ANN）算法。

從2010年代初開始，通過圖形處理單元（GPU）加速的計算機性能已經變得足夠強大，足以讓研究人員實現復雜的人工神經網絡的功能。此外，部分地受視頻站點和流行的IoT設備驅動，研究人員擁有龐大的視頻和圖像數據庫來訓練他們的神經網絡。

2012年，一種稱為卷積神經網絡（CNN）的深度神經網絡（DNN）版本在準確性上實現了巨大飛躍。這一發展帶動了人們對計算機視覺工程領域的興趣和興奮。現在，在需要圖像分類和面部識別的應用中，深度學習算法甚至超過了人類。更重要的是，就像人類一樣，這些算法具有學習和適應不同條件的能力。

圖2.場景的語義表示

隨著深度學習的發展，我們正在進入認知技術的時代，其中計算機視覺和深度學習融合在一起，以解決人腦領域中的高級復雜問題（圖2）。我們只是在探索一切可能的事物。隨著更快的處理器，更先進的機器學習算法以及與邊緣設備的更深入集成，這些系統將繼續得到改善。計算機視覺將徹底改變物聯網。

用例增加

其他有趣的用例包括：

1. 監控作物健康的農業無人機（http://www.slantrange.com/）（圖3）
2. 運輸基礎設施管理（http://www.vivacitylabs.com/）
3. 無人機檢查（http://industrialskyworks.com/drone-inspections-services/）
4. 下一代家庭安全攝像頭（https://buddyguard.io/）

圖3.從無人機收集的圖像中的植被指數（來源：Emmetts，www.emmetts.com.au）

這些只是計算機視覺如何在許多領域極大地提高生產力的一些小例子。我們正在進入物聯網發展的下一階段。在第一階段，我們專注于連接設備，聚合數據和構建大數據平臺。在第二階段，重點將轉移到通過計算機視覺和深度學習等技術使“事物”更加智能，生成更多可操作的數據。

挑戰

在讓計算機視覺技術對大眾更實用和更經濟時，有許多問題需要克服：

1. 嵌入式平臺需要集成深度神經設計。由于功耗、成本、準確性和靈活性，很難做出設計決定。
2. 業界需要標準化，以允許智能設備和系統相互通信并共享元數據。
3. 系統不再是數據的被動收集器。他們需要以最少的人工干預就數據采取行動。他們需要自己學習和即興創作。整個軟件/固件更新過程在機器學習時代具有新的意義。
4. 黑客可以利用計算機視覺和AI中的新安全漏洞。設計師需要考慮到這一點。