大佬说，计算机视觉应该这样学

计算机视觉从入门到放肆

一、基础知识

1.1 计算机视觉到底是什么？

计算机视觉是一门研究如何让机器“看”的科学

更进一步的说，就是使用摄像机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

作为一门科学学科，计算机视觉研究相关的理论和技术，视图建立能够从图像或者多维数据中获取'信息'的人工智能系统。

1.2 图像
当程序在读取一张图片时，需要考虑以下数据：

• 高度、宽度

  假如一张照片的分辨率为：1920*1080(单位为dpi，全称为 dot per inch)，1920 就是照片的宽度，1080 就是图片的高度。

• 深度

  存储每个像素所用的位数，比如正常RGB的深度就是 2^8 * 3 = 256 * 3 = 768 ， 那么此类图片中的深度为768，每个像素点都能够代表768中颜色。

• 通道数

  RGB图片就是有三通道，RGBA类图片就是有四通道

• 颜色格式

  是将某种颜色表现为数字形式的模型，或者说是一种记录图像颜色的方式。比较常见的有：RGB模式、RGBA模式、CMYK模式、位图模式、灰度模式、索引颜色模式、双色调模式和多通道模式。

• more
  图像中的知识点太多，做基本图像处理，了解以上知识个人感觉可以了。等到以后如果做深入研究，或许有机会做更多的学习

1.3 视频

原始视频 = 图片序列，视频中的每张有序图片被称为“帧(frame)”。压缩后的视频，会采取各种算法减少数据的容量，其中IPB就是最常见的。

• 码率

  数据传输时单位时间传送的数据位数，通俗一点的理解就是取样率，单位时间取样率越大，精度就越高，即分辨率越高

• 帧率

  每秒传输的帧数，fps（有没有一种似曾相识的感觉~~~），全称为 frames per second

• 分辨率

  每帧图片的分辨率

• 清晰度

  平常看片中，有不同清晰度，实际上就对应着不同的分辨率

• IPB

  在网络视频流中，并不是把每一帧图片全部发送到客户端来展示，而是传输每一帧的差别数据（IPB），客户端然后对其进行解析，最终补充每一帧完整图片

1.4 摄像机

在实际应用当中，基本上都是通过不同种类的摄像机来获取数据，然后发送给服务端（AI Server）进行处理，分类有：

• 监控摄像机（网络摄像机和模拟摄像机）
• 行业摄像机（超快动态摄像机、红外摄像机、热成像摄像机等）
• 智能摄像机
• 工业摄像机

1.5 CPU和GPU

我想大家肯定是知道，目前很多人工智能计算都迁移到GPU上进行，tensorflow甚至还有cpu和gpu版本，所以其两者的差别和使用方法，这是绕不开的问题。

废话少说，先来上图：

• 架构上的对比

  cpu-and-gpu-design.jpg
  • 绿色：计算单元
  • 橙红色：存储单元
  • 橙黄色：控制单元

• 整体对比

  cpu-and-gpu.png
  • Cache、Local Memory ： CPU > GPU
  • Threads（线程数）：GPU > CPU
  • Registers（寄存器）：GPU > CPU
  • SIMD Unit（单指令多数据流）：GPU > CPU

CPU在设计上，低延迟，可是低吞吐量，CPU的ALU（算数运算单元）虽然少，可是很强大，可以在很少的时钟周期内完成算数计算，或许数量少，就可以任性的减少时钟周期，所以其频率非常高，能够达到1.532 ~ 3 （千兆，10的9次方）。
大缓存容量、复杂的逻辑控制单元也可以减低延迟。

GPU在设计上，高延迟，可是高吞吐量。GPU的特点是有很多的ALU和很少的cache. 缓存的目的不是保存后面需要访问的数据的，这点和CPU不同，而是为thread提高服务的。如果有很多线程需要访问同一个相同的数据，缓存会合并这些访问，然后再去访问dram（因为需要访问的数据保存在dram中而不是cache里面），获取数据后cache会转发这个数据给对应的线程，这个时候是数据转发的角色。但是由于需要访问dram，自然会带来延时的问题。

参考链接

• Cuda (Compute Unified Device Architecture)

  是显卡厂商NVIDIA推出的运算平台，采用并行计算架构，是GPU能够解决复杂的计算问题。包含了CUDA指令集架构以及GPU内部的并行计算引擎。

  安装教程自行搜索脑补就行。

1.6 编程语言 + 数学基础

• python

  推荐作为入门语言，简单容易上手，需要了解一些库：numpy、pandas、matplotlib等。

• C++

  作为深入了解并尝试进行优化，C++必不可少，也是编写并修改的最佳语言。当然，如果你了解C、Matlab等语言那也是甚好的。

• 线性代数

  可以把重点放在矩阵运算上。

• 概率统计

  了解基本概率统计知识、高斯分布、中值、标准差和方差等概念。

• MachineLearning

  能够用公式表示代价函数、使用低度下降法来优化模型。当然机器学习内容实在是很多，建议能够完整走一遍，也可以看斯坦福的CS229课程

1.7 计算机视觉的应用

计算机视觉之于未来人工智能，就好比眼睛之于人的重要性一样。是未来很多领域自动化获取数据的主要渠道之一，也是处理数据的重要工具之一。目前可以预想到的应用主要有如下：

• 无人驾驶
• 无人安防
• 人脸识别
• 文字识别
• 车辆车牌识别
• 以图搜图
• VR/AR
• 3D重构
• 医学图像分析
• 无人机
• more ......

二、推荐参考书和公开课

2.1 参考书籍

• 《Computer Vision : Models,Learning and Inference》

  理论入门书籍

• 《Learning OpenCV》

  计算机视觉必备工具

• 《Computer Vision : Algorithms and Applications》

  计算机视觉算法和应用，属于进阶篇，这样的书一般都有中文译本。本人也是几经周折，找到了一些资料，供大家下载学习。

2.2 公开课

• 李飞飞计算机视觉系列课程

  这个课程作为入门非常合适，里面也会分享一些干货

• Stanford CS231N

  B站资源链接

这两门课我觉得经典的课程，如果认真学完的话，基本上是已经入门了，找一般的工作工作应该是没有问题。

2.3 网站

• Visionbib

  这个网站是国外大佬从1994年开始专注于计算机视觉研究，上面收录了很多与此相关文献，大家可以看一些里程碑文献，让自己能够更好地理解视觉发展历程。

• vision.stanford

  没事上斯坦福大学计算机视觉研究团队官网看看，大佬们有没有发表一些研究成果文章，学习一番之后，将其翻译成blog也不失为一个好的学习方法（装逼方法）。

这两个网站已经足够了，不要太多，学好才是最关键的。

三、你还是需要学习一些深度学习知识

关于深度学习，评价最高的莫过于：《Deep Learning》Written by lan Goodfellow and YoshuaBengio

deep-learning-book.jpg

购买链接，这本AI圣经我就不多废话了，攒钱买回去好好修炼吧！

四、开源框架必不可少

关于开源框架，仁者见仁智者见智，我也免得引起战争，所以就罗列给一下个人不成熟的小建议。

• Caffe

  深度学习卷积神经网络开源框架。

• Tensorflow

  开源机器学习深度学习框架。

• (Torch and Maxnet)

  其他深度学习开源框架

• ffmpeg

  强大的视频处理工具

流行框架的对比图:

frames.png

参考链接

五、深入，则必须阅读相关文献

当我们需要学习各种经典模型的时候，到哪里去找资料呢？一般大家都会直接wikipedia，可是我只想说，上面的也只是英文版汉译过来的，最好还是找一手资料，不然你吸收的知识，就不知道是被多少人消化过多少遍后得来的。当然也是有好的，不过那些大牛都是直接看原版才能得出更加深刻的结论，所以看原版文献是一件很重要的学习途径，不然就永远装不了*（学习不到最纯正的knowledge）。

5.1 里程碑式的文献

先熟悉所在方向的发展历程，历程中的里程碑式的文献必须要精读。

例如，深度学习做目标检测，RCNN、Fast RCNN、Fater RCNN、SPPNET、SSD和YOLO等模型；又例如，深度学习做目标跟踪，DLT、SO-DLT等等；再例如，对抗网络GAN、CGAN、DCGAN、LAPGAN等等。

5.2 文献网站

arxiv ：每天去更新一下别人最新的工作

5.3 计算视觉的顶会

• ICCV：国际计算机视觉大会
• CVPR：国际计算机视觉与模式识别大会
• ECCV：欧洲计算机视觉大会

5.4 计算机视觉的顶刊

• PAMI：IEEE 模式分析与机器智能杂志
• IJCV：国际计算机视觉杂志

六：总结

无论别人给出多好的资料，最终还是要靠自己踏实下来，对各种知识点细嚼慢咽。AI 不易，且行且珍惜

---

我个人对计算机视觉非常感兴趣，接下来会不断的分享各种关于CV的学习心得和干货。小白上路，大家如果能施舍一些star或者follow将会是给我最大的动力。

• Blog
• Github