第5章计算机视觉技术与应用

前言刷脸支付让我们在购物时无须携带任何卡片，只需一个微笑，便能轻松完成支付

前言拍照识物则将我们的手机变成了智能助手，随时随地解答我们对周围世界的疑问

前言货物自动分拣系统的应用大大提高了作业效率，降低了人工成本

前言而在机场、车站等公共场所，人证合一过安检技术的应用，不仅提升了安检速度，更加强了安全保障

前言人流量统计技术的应用，为商业分析和城市规划提供了有力的数据支持。

前言随着科技的飞速发展,计算机视觉作为人工智能领域的一个重要分支,计算机视觉技术正在悄然改变着我们的生活方式,提升工作效率,为各行各业带来革命性的变革。本章主要介绍了计算机视觉技术的基础、基本任务、常见应用以及面临的挑战与未来发展。

学习目解计算机视觉的基本概念、处理流程和应用领域,了解计算机视觉的发展历程和计算机视觉与相关领域的联系和区别。理解和掌握计算机视觉的基本任务,如图像分类、目标检测与定位、图像分割等。操作和体验百度人工智能平台上的图像技术、OCR、人脸识别和人体分析等功能,理解和掌握计算机视觉领域常见应用。认识到计算机视觉技术面临的挑战,并对未来的发展趋势有所了解。

5.1计算机视觉基础15.1.1计算机视觉的概念与发展历程5.1.4应用领域5.1.2计算机视觉处理流程5.1.3计算机视觉与相关领域的联系与区别342

5.1.1计算机视觉的概念与发展历程计算机视觉是利用计算机技术模拟人类视觉系统,实现对图像或视频中的物体、场景和行为进行识别、理解和解释的过程。它结合了图像处理、模式识别、机器学习等多个领域的技术,旨在让计算机能够“看”和“理解”视觉信息。简单来说,计算机视觉就是让计算机能够像人一样理解和处理图像和视频内容,“看懂”世界的过程。计算机视觉的概念

5.1.1计算机视觉的概念与发展历程深度学习兴起期(21世纪初)基础发展期(20世纪80年代)萌芽期(20世纪60—70年代)系统开发期(20世纪90年代)跨学科融合期(21世纪20年代至今)计算机视觉的发展历程

计算机视觉系统通过图像采集硬件（如相机、镜头、光源等）将光信号转换成图像信号，并传送给图像处理软件，图像处理软件根据像素亮度、颜色分布等信息，对目标进行特征提取、分类、检测、跟踪等处理，并根据处理结果输出相应的控制信号或信息。停车场车牌自动识别流程如图5-1所示。5.1.2计算机视觉处理流程

1.数据收集与数据预处理对比度增强12345图像灰度化归一化几何变换滤波(去噪)首先，需要收集相关的图像或视频数据。这些数据可能来自各种成像设备，如摄像机、传感器等。然后，对收集到的数据进行预处理，以提高数据的质量和可用性。预处理主要包括以下步骤。

2．图像分割图像分割是将图像划分为若干个互不重叠且具有各自特征的区域的过程。这里的特征可以是灰度、颜色、纹理等。图像分割将图像中的目标从背景中分离出来，以便于进行进一步的分析和处理。

2．图像分割0102基于区域的分割方法属于基于边界的分割方法（1）直方图门限法：根据图像的灰度直方图，选择一个或多个门限值将图像分割成不同的区域。仅考虑灰度信息，忽略了空间信息。（2）区域生长法：从一组种子点开始，根据一定的相似性准则（如灰度、颜色、纹理等），将种子点周围的像素加入相应的区域中，逐步生长成完整的区域。这种方法能够较好地保留图像的空间信息，但可能导致过度分割。（3）基于随机场模型法：如MRF模型将图像视为一个随机场，通过最小化能量函数来实现图像分割。这种方法能够考虑图像的全局信息，但计算复杂度较高。（4）边缘检测法：利用图像的一阶或二阶导数信息来检测图像中的边缘点，进而形成边界线，将图像分割成不同的区域。这种方法对噪声较为敏感，需要合适的滤波器来平滑图像。（5）活动轮廓法（Snake模型或主动轮廓模型）：通过定义一个可变形模型（如轮廓线），在图像力的作用下不断变形以逼近图像的真实边界。这种方法能够较好地处理复杂的边界形状，但需要合适的初始轮廓和迭代策略。

图像分割的难点0204光照变化:光照变化会影响像素之间的相似度,从而影响分割算法的效果。03复杂背景与噪声:当图像中存在复杂的背景或噪声时,会影响分割算法的准确性。01计算复杂度:一些分割算法需要进行大量的计算,需要较长的处理时间,这对于实时应用来说是不可接受的。05图像模糊:当图像模糊时,像素之间的边界变得模糊不清,会影响分割算法的效果。目标复杂性:当目标形状复杂或存在遮挡时,会影响分割算法的准确性。

3．特征提取与特征表示在计算机视觉中,特征提取是指从图像或视频数据中自动或手动地提取出具有显著性和代表性的特征,这些特征能够描述图像或视频中的关键信息,可以是颜色、纹理、形状、边缘、焦点等。特征表示是将提取的特征转换成一种更紧凑、更易于