OpenCV-Python:计算机视觉介绍

目录

1.背景

2.计算机视觉发展历史

3.计算机视觉主要任务

4.计算机视觉应用场景

5.知识笔记 

---

1.背景

        OpenCV是计算机视觉的一个框架，想要学习OpenCV，需要对计算机视觉有一个大致的了解。计算机视觉是指通过计算机技术和算法来模拟人类视觉系统的能力。它涉及使用计算机来理解、分析和处理图像和视频，并从中提取有价值的信息。计算机视觉的目标是使计算机能够识别和理解图像和视频中的对象、场景、动作等，并能够进行自动化的视觉决策和处理。

2.计算机视觉发展历史

• 最早的历史可以追溯到中国古代的小孔成像。
• 现代计算机视觉的发展和相机的发明和使用密切相关，可以追溯到20世纪60年代。
• 1960年代：计算机视觉的研究始于人工智能领域，研究人员开始尝试使用计算机来模拟人类视觉系统的功能。
• 1966年，MIT马文.明斯基的学生实现了PC和摄像机的连接。
• 1970年代：计算机视觉的研究重点转向图像处理和模式识别。早期的图像处理技术包括边缘检测、图像增强和图像分割等。
• 1980年代：随着计算机性能的提升和图像处理算法的发展，计算机视觉的研究进展迅速。研究人员开始探索更复杂的图像特征提取和模式识别算法。
• 1982年，马尔发布的一本书《视觉》标志着正式成为学科。
• 1990年代：计算机视觉的应用开始拓展到工业自动化、医学影像分析和安全监控等领域。同时，计算机视觉的研究也涉及到三维视觉、运动分析和目标跟踪等方面。
• 1999年，David Lowe提出的Sift算法局部特征描述子，2004年进行了更深入的发展和完善。
• 2000年代：计算机视觉的研究和应用迎来了一个爆发式增长的时期。随着深度学习算法的兴起，计算机视觉在图像分类、目标检测和图像生成等任务上取得了重大突破。
• 2001年，V&J发表的基于HAAR特征的实时人脸检测。
• 2005年，HOG特征提取的行人检测算法提出。
• 2006年，Pascal VOC数据集发布。
• 2010年代：计算机视觉的应用得到了广泛的推广和应用，包括人脸识别、自动驾驶、无人机导航和增强现实等。同时，计算机视觉的研究也开始涉及到更高级的任务，如图像生成、视频理解和场景理解等。
• 2012年，AlexNet模型赢得ImageNet图像分类冠军。
• 当前，深度学习开始在视觉领域流行。
• 未来世界信息都在像素中，主要实现计算机视觉+5G。

        总的来说，计算机视觉的发展历史经历了从基础图像处理技术到深度学习算法的转变，从单一的图像处理任务到更复杂的目标识别和场景理解任务的拓展。随着技术的不断进步和应用的不断扩大，计算机视觉在各个领域的应用前景非常广阔。

3.计算机视觉主要任务

        早期，计算机视觉的主要任务是图像重建。2012年以后，受深度学习的影响，计算机视觉的主要研究领域是感知和重建，当前主要是智能化研究，使其通过图灵测试。细分如下：

• 图像分类：将图像分为不同的类别，比如将图像分为猫和狗，或者将图像分为室内和室外等。
• 目标检测：在图像或视频中检测和定位特定的目标，如人脸、车辆、交通标志等。
• 图像分割：将图像分为不同的区域或物体，常用于图像理解、图像编辑和图像合成等任务。
• 目标跟踪：在视频中跟踪目标的运动轨迹，常用于视频监控、自动驾驶和虚拟现实等应用。
• 姿态估计：估计人体、动物或物体的姿态和动作，用于动作捕捉、人机交互和虚拟现实等领域。
• 人脸识别：识别和验证人脸的身份，用于安全监控、人脸支付和人脸解锁等应用。
• 图像生成：使用计算机生成逼真的图像或视频，如图像超分辨率、图像修复和图像风格转换等。
• 场景理解：对复杂场景进行理解和推理，包括图像描述、场景理解和情感分析等。

 

4.计算机视觉应用场景

        计算机视觉可以应用于许多领域，包括图像识别、物体检测和跟踪、人脸识别、行人检测、医学图像分析、无人驾驶汽车、机器人视觉等。它在工业、医疗、军事、安防、交通等领域具有广泛的应用前景。当前比较流行的场景包括：

1. 自动驾驶/辅助驾驶（新能源汽车等）
2. 机器视觉-AI+机构/工业质检智能（工业瑕疵检测等）
3. 安防监控-人脸识别/火灾监控/异常监控等
4. OCR光学文字识别
5. 其它待开展行业

5.知识笔记