Computer Vision Models, Learning, and Inference学习笔记（第一章）

 （学习笔记包括原文大意的翻译，自己的理解和一些补充知识。）   

  计算机视觉的目标是从图像中提取有用的信息，这是一项艰巨的任务，现在还远不能做出一台“可视化”的计算机。

   原因之一是视觉数据的复杂性：根据图1.1，这里面有许多的目标，并且几乎没有按照“典型姿势”摆放的，大多数都是被遮挡的，机器甚至不能够确定哪里是一个目标的开始的地方，哪里是一个目标结束的地方。举个例子：白色建筑和天空作为两个不同的物体，但是在连接处没有明显的变化；黑色汽车玻璃作为一个物体，却有明显的分界。

  我们的视觉系统可以轻松的处理复杂的图像，比如统计图像中数目的个数或者画一幅街道布局图，甚至可以根据图像中人的肤色、汽车和树木的种类、天气等因素推理出图像发生的位置。

   所以计算机视觉不是不可能的事情，但是绝对是有挑战的事情。肉眼看物体时，大脑会经过复杂的处理。比如：明亮环境下的煤炭和黑暗环境下的白纸。眼睛在明亮的环境下会获得更多的光子，但是大脑依然会认为煤炭是黑色的，白纸是白色的。这种复杂的处理，计算机很难完成。

                                          

                                                                                                  图1.1

     尽管如此，计算机视觉方面仍然取得一定进步。过去的十年，在消费者的计算机上开始大规模部署计算机视觉应用。例如：现在大多数的数码相机都嵌入了面部检测的算法；Microsoft Kinect（允许实时跟踪人体的外围设备）的畅销；这两者的原理本书后续都会解释。

    近年来，计算机视觉的快速发展主要依靠处理能力、内存、存储容量的大幅增加，我们需要单独的保存单个高分辨率的图像。另一个原因：机器学习的使用越来越多，取得了长足的进步。机器学习不仅提供很多的工具，也能帮助我们理解现有的算法。

     计算机视觉的未来令人兴奋。未来很可能普及。然而，这仍然是一门年轻的学科，试着让计算机去理解图1.1的场景仍然是不可想象的。可能需要很多年， 计算机才能以两岁孩子的思想去描述图像中的内容。但是这本书，提供了我们所取得的成就及这些背后的原则的“快照”。

  本书的组织架构

本书结构如图1.2所示，分为六个部分。

本书的第一部分是概率相关的知识，概率模型是计算机视觉中非常有用的工具。

本书的第二部分讨论了机器视觉的机器学习，支撑我们所有方法的核心原则是“从图像中获取有用的信息”。我们建立相关的模型从图像数据获取有用的信息，学完这一章后，读者应该了解如何构建模型，来解决计算机视觉方面的问题。

本书的第三部分介绍计算机视觉的图形模型。图形模型提供一个框架，用来简化与之相关的模型。

本书的第四部分讨论了图像预处理。

本书的第四部分涉及几何计算机视觉，介绍了投影针孔摄像机。

最后，在本书的第六部分，我们介绍了几个视觉模型系列，这些模型涉及人脸识别、跟踪和对象识别。

附录中有本书中使用到的符号的介绍，以及线性代数的说明。

本书的更多详细信息（PPT 伪代码等）详见http://www.computervisionmodels.com

 

                             

                                                                                                       图1.2

关于计算机视觉的其他书籍

更多关于机器学习和图形模型我会推荐Bishop（2006）《模式识别和机器学习》Pattern Recognition and Machine Learning。

关于预处理的书籍Nixon & Aguado (2008)《特征提取与图像处理》Feature Extraction and Image Processing

几何计算机视觉的书籍：Hartley & Zisserman (2004).《多视图几何》Multiple View Geometry

一本综合概述计算机视觉的数Szeliski (2010). 《算法和应用》Algorithms and Applications