在我們的日常生活中隨處都有計算機視覺技術(shù)，手機、游戲機可以識別您的手勢，相機可以自動將焦點放在人身上等等。計算機視覺正在影響我們生活的許多領(lǐng)域。

事實上，計算機視覺在商業(yè)和國防使用方面有悠久的歷史：如制造中的質(zhì)量檢測，環(huán)境管理的遙感或在戰(zhàn)場上收集智能的高分辨率相機。這些傳感器中的一些是靜止的，而其它傳感器連接到諸如衛(wèi)星，無人機和車輛等在移動物體上。

在過去，許多計算機視覺應(yīng)用程序僅限于某些封閉平臺。當(dāng)與IP連接技術(shù)相結(jié)合時，他們創(chuàng)建了一組新的應(yīng)用程序計算機視覺，加上IP連接，高級數(shù)據(jù)分析和人工智能，將成為彼此的催化劑，從而在物聯(lián)網(wǎng)（IoT）創(chuàng)新和應(yīng)用方面帶來革命性的飛躍。

視覺環(huán)境設(shè)計

視覺或視力是五種人類感覺中最發(fā)達(dá)的。我們每天都用它來識別我們的朋友，在我們的路上發(fā)現(xiàn)障礙，完成任務(wù)和學(xué)習(xí)新事物。我們通過我們的視覺來識別我們周圍的環(huán)境。有路牌和信號燈幫助我們從一個地方到另一個地方。通過識別環(huán)境標(biāo)識找到我們所要到達(dá)的地方。鑒于視覺的重要性，將其擴展到計算機和自動化系統(tǒng)，實現(xiàn)了視覺應(yīng)用大飛躍。

計算機視覺

計算機視覺從捕獲和存儲圖像或一組圖像的技術(shù)開始，然后將這些圖像轉(zhuǎn)換成可以進一步執(zhí)行的信息。它由多種技術(shù)組合組成。計算機視覺工程是一個跨學(xué)科領(lǐng)域，需要在許多這些技術(shù)中跨職能和系統(tǒng)專長。

由多個領(lǐng)域的進步驅(qū)動的計算機視覺

例如，Microsoft Kinect使用3D計算機圖形算法來實現(xiàn)計算機視覺來分析和理解三維場景。它允許游戲開發(fā)人員將實時全身運動捕捉與人造3D環(huán)境進行合并。除了游戲，這在機器人，虛擬現(xiàn)實（VR）和增強現(xiàn)實（AR）應(yīng)用等領(lǐng)域開辟了新的可能性。

傳感器技術(shù)的進步也在傳統(tǒng)攝像機傳感器以外的許多層面迅速發(fā)展。 最近的一些例子包括：

? 紅外傳感器和激光器結(jié)合起來感測深度和距離，這是自駕車和3D地圖應(yīng)用的關(guān)鍵推動因素之一

? 非侵入式傳感器，可跟蹤醫(yī)療患者的生命體征，無需身體接觸

? 高頻攝像機可以捕捉人眼不能察覺的微妙動作，以幫助運動員分析其步態(tài)

? 超低功耗和低成本的視覺傳感器，可長期部署在任何地方

早期應(yīng)用

監(jiān)控行業(yè)是圖像處理技術(shù)和視頻分析的早期采用者之一。視頻分析是計算機視覺的一個特殊用例，重點是從小時的視頻中找到模式。在現(xiàn)實情況下自動檢測和識別預(yù)定義模式的能力代表了數(shù)百種用例的巨大市場機會。

第一個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(shè)置和模擬環(huán)境中都是準(zhǔn)確的。然而，當(dāng)輸入數(shù)據(jù)（如照明條件和攝像機視圖）偏離設(shè)計假設(shè)時，性能迅速下降。

研究人員和工程師花費了多年的開發(fā)和調(diào)優(yōu)算法，或者用新的方法來處理不同的條件。然而，使用這些算法的相機或錄像機仍然不夠穩(wěn)健。盡管多年來取得了一些進步，但現(xiàn)實世界的糟糕表現(xiàn)限制了技術(shù)的有用性和應(yīng)用。

深度學(xué)習(xí)突破

近年來，深度學(xué)習(xí)算法的出現(xiàn)激發(fā)了計算機視覺。深入學(xué)習(xí)使用人造神經(jīng)網(wǎng)絡(luò)（ANN）算法，模擬人腦神經(jīng)元。

從2010年初開始，由圖形處理單元（GPU）加速的計算機性能已經(jīng)越來越強大，足以使研究人員實現(xiàn)復(fù)雜ANN的功能。此外，部分由視頻站點和普遍的IoT設(shè)備驅(qū)動，研究人員擁有大量不同的視頻和圖像數(shù)據(jù)庫來訓(xùn)練其神經(jīng)網(wǎng)絡(luò)。

在2012年，稱為卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深層神經(jīng)網(wǎng)絡(luò)（DNN）的版本顯示了精確度的巨大飛躍。這一發(fā)展推動了計算機視覺工程領(lǐng)域的興趣和興奮?，F(xiàn)在，在需要圖像分類和面部識別的應(yīng)用中，深度學(xué)習(xí)算法甚至超過了人類對應(yīng)物。更重要的是，就像人類一樣，這些算法具有學(xué)習(xí)和適應(yīng)不同條件的能力。

這些只是計算機視覺如何大大提高許多領(lǐng)域的生產(chǎn)力的一些小例子。我們正在進入物聯(lián)網(wǎng)進化的下一個階段。在第一階段，我們專注于連接設(shè)備，聚合數(shù)據(jù)和建立大型數(shù)據(jù)平臺。在第二階段，重點將轉(zhuǎn)移到通過計算機視覺和深度學(xué)習(xí)等技術(shù)使“事物”更加智能，從而產(chǎn)生更多可操作的數(shù)據(jù)。

計算機視覺即將迎來爆發(fā)式增長，我們將探索新的框架，最佳實踐和設(shè)計方法，以克服其在實際應(yīng)用中會遇到的一挑戰(zhàn)。