計(jì)算機(jī)視覺常用技術(shù)分的全面介紹

計(jì)算機(jī)視覺常?技術(shù)分的全?介紹上?篇?章，我們介紹了計(jì)算機(jī)視覺的發(fā)展歷史，這?我們來介紹計(jì)算機(jī)視覺的常?技術(shù)分類。特征提取是很多CV技術(shù)的前置操作，?如判斷兩幅頭像是否是同?個(gè)?，計(jì)算機(jī)根據(jù)圖像的某些局部特征，如邊緣和線條的特征。1.圖像特征種類圖像的顏?特征、紋理特征、形狀特征、空間關(guān)系特征(應(yīng)?于機(jī)器?的姿態(tài)識(shí)別問題，確定?個(gè)三維物體的?位等)、局部特征2.圖像特征描述圖像特征描述的?個(gè)核?就是魯棒性(robust，這個(gè)詞?家肯定聽過吧，出場率極?)和可區(qū)分性，?這兩點(diǎn)常常是?盾的。魯棒性是指?個(gè)特征應(yīng)該適?于不同的圖像變換情況，這就要求這個(gè)特征?較“粗糙”，例如?個(gè)茶杯從上?看和從側(cè)?看都應(yīng)該是同?個(gè)茶杯?？蓞^(qū)分性是指，能夠區(qū)分?些?較相似的局部特征，顯然其魯棒性往往?較低。圖像分類常?的算法，卷積神經(jīng)?絡(luò)CNN，是?種前饋神經(jīng)?絡(luò)，它的??神經(jīng)元可以響應(yīng)?部分覆蓋范圍內(nèi)的周圍單元，對于?型圖像處理有出?表現(xiàn)。CNN的基本結(jié)構(gòu)包括兩層，其?為特征提取層，每個(gè)神經(jīng)元的輸?與前?層的局部接受域相連，并提取該局部的特征。?旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來;其?是特征映射層，?絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是?個(gè)平?，平?上所有神經(jīng)元的權(quán)值相等。場景分類：基于對象(根據(jù)場景中出現(xiàn)的對象區(qū)分，例如出現(xiàn)床可能是臥室)、基于區(qū)域、基于上下?、基于Gist特征基于對象基于視覺的場景分類?法?部分都是以對象為單位的，也就是說，通過識(shí)別?些有代表性的對象來確定?然界的位置。帶有被?的床，在?然界的位置可能是臥室基于區(qū)域?先通過?標(biāo)候選候選區(qū)域選擇算法，?成?系列候選?標(biāo)區(qū)域，然后通過深度神經(jīng)?絡(luò)提取候選?標(biāo)區(qū)域特征，并?這些特征進(jìn)?分類。?如楓樹長在?上，這??是屬于中國北京的，還是美國西雅圖的，還是亞馬遜的，對于?上的?質(zhì)特征進(jìn)?識(shí)別基于上下?這類?法不同于前?兩種算法，?將場景圖像看作全局對象??圖像中的某?對象或細(xì)節(jié)，這樣可以降低局部噪聲對場景分類的影響。?如?男孩脖?上的銀?項(xiàng)圈，不僅僅是他的裝飾品，還是他?親留給他的唯?紀(jì)念品基于GIST還在研究中，理解不動(dòng)(誰知道可以留?告訴我，┭┮﹏┭┮)圖像檢測圖像檢測是通過獲取和分析圖像特征，從圖像中定位出預(yù)設(shè)的?標(biāo)，并準(zhǔn)確判斷?標(biāo)物體的類別，最后給出?標(biāo)的邊界，邊界?般是矩形，不過也有圓形的情況。

物件檢測物件檢測分為靜態(tài)物體檢測和動(dòng)態(tài)物體檢測，并且其?般和物體分類算法結(jié)合，多應(yīng)?于安防領(lǐng)域(??檢測、智能視頻分析、??跟蹤)、交通領(lǐng)域(交通場景的物體識(shí)別、車輛計(jì)數(shù)、逆?檢測、車牌檢測和識(shí)別)、互聯(lián)?領(lǐng)域(圖像檢測、相冊?動(dòng)歸類)??檢測??檢測，顧名思義就是將圖?中的??檢測出來，并輸出?標(biāo)邊界，并且檢測的常常是多個(gè)???標(biāo)。將?個(gè)視頻流中的??的軌跡關(guān)聯(lián)起來，就是??跟蹤，多個(gè)?標(biāo)即多?跟蹤。另外?個(gè)應(yīng)?稱為??檢索，或??再識(shí)別，即給定?個(gè)待檢索??，從圖集或視頻中找到?臉檢測?臉檢測是?臉識(shí)別中的?個(gè)關(guān)鍵環(huán)節(jié)，?臉檢測指對于?副給定的圖像，采??定的策略對其分析搜索確定其中是否含有?臉，若有?臉則返回?臉邊界，以及??、姿態(tài)等信息。?臉檢測是圖像檢測中的?種，?法基本類似，主要分為六個(gè)步驟：預(yù)處理、窗?滑動(dòng)、特征提取、特征選擇、特征分類和后處理圖像分割圖像分割指把圖像分成若?個(gè)特定的、居右獨(dú)特性質(zhì)的的區(qū)域并提出感興趣?標(biāo)的技術(shù)。現(xiàn)有的圖像分割技術(shù)主要分為以下?類：基于閾值、基于區(qū)域、基于邊緣和基于特定理論的分割?法。圖像分割是將數(shù)字圖像劃分為?個(gè)互不相交的區(qū)域，也是?種標(biāo)注的過程，即把屬于同?區(qū)域的像素給與相同的標(biāo)簽。圖像分割技術(shù)下有三個(gè)?較常見的分?——視覺顯著性檢測、物體分割、語義分割視覺顯著性檢測視覺顯著性檢測指通過算法模擬?的視覺特點(diǎn)，提取圖像中可能是?類感興趣的區(qū)域，及顯著區(qū)域。這?涉及到另?個(gè)概念，視覺注意機(jī)制(VisualAttentionMechanism)，即?對?個(gè)場景時(shí)，?類?動(dòng)對感興趣區(qū)域進(jìn)?處理??動(dòng)忽略不顯著的區(qū)域。?如：?個(gè)房間?穿著吊帶的美?在喝哈爾濱啤酒，注意點(diǎn)分別會(huì)在：美?的臉，胸部，酒瓶，酒瓶標(biāo)簽等?的視覺注意有兩種策略機(jī)制：?下?上、基于數(shù)據(jù)驅(qū)動(dòng)的注意機(jī)制：收感知數(shù)據(jù)驅(qū)動(dòng)，將?的視覺重點(diǎn)引導(dǎo)?場景中的顯著區(qū)域，這些區(qū)域通常與周圍有較強(qiáng)的對?度或與周圍有明顯的區(qū)別，包括顏?、形狀、亮度等特征。?如?副??圖?中的?個(gè)?點(diǎn)，視覺?然?然的會(huì)被引導(dǎo)??點(diǎn)。?上?下、基于任務(wù)驅(qū)動(dòng)的、基于?標(biāo)的注意機(jī)制：有根據(jù)先驗(yàn)知識(shí)、預(yù)期和當(dāng)前的?標(biāo)來計(jì)算圖像的顯著性區(qū)域。在視頻中找到?，就是?個(gè)任務(wù)驅(qū)動(dòng)的?為。物體分割物體分割?般是?于把單張圖?中的?個(gè)或多個(gè)物體分割出來，物體分割常常和物體識(shí)別共同使?。相?于物體檢測只能返回?個(gè)矩形邊界，物體分割算法可以精確的描繪出所有物體的輪廓，從像素成眠上把各個(gè)物體分割出來。?如：3個(gè)?騎在?象?上，2個(gè)男的，1個(gè)?的，那么圖像分割中動(dòng)物是?組，?是?組，?中，男的是?組，?的是?組;語?分割

圖像語義分割，也成為語義標(biāo)注，簡單??就是給定?張圖?，對圖?上的每?個(gè)像素點(diǎn)分類，不區(qū)分物體，盡關(guān)?像素。?如：貓咪在藍(lán)?天下的青青草原玩耍，天空是?塊區(qū)域，草地是?塊區(qū)域，貓咪是?塊區(qū)域。圖像描述圖像描述也稱為DenseCaptioning，其?標(biāo)是在給定?張圖像的情況下，得到圖像中各個(gè)部分的?然語?描述。圖像描述問題融合了計(jì)算機(jī)視覺和?然語?處理兩??向，是AI解決多模式跨領(lǐng)域問題的典型技術(shù)。與英?相?，中?的描述常常在句法詞法的組合上更加靈活，算法的挑戰(zhàn)也更?。圖像標(biāo)注圖像標(biāo)注是從根據(jù)?幅圖?動(dòng)?成?段描述性的?字，?時(shí)候的“看圖說話”。圖像