计算机视觉技术的发展与创新研究

第一章计算机视觉技术的理论研究

第一节计算机视觉研究概述…

第二节计算机视觉原理分析

第三节数字媒体与计算机视觉艺术

第四节基于神经网络的计算机视觉

第五节计算机视觉的深度估计方法

第六节计算机视觉中的图匹配方法

第二章计算机视觉技术的发展

第一节机器视觉技术研究进展

第二节计算机视觉技术的应用进展

第三节计算机数字视觉技术结构及其发展

第四节计算机视觉与模式识别研究进展

第五节计算机发展模式下的视觉传达设计

第六节人工智能与计算机视觉产业发展…

第三章计算机视觉的基本技术

第一节计算机视觉下的实时手势识别技术

第二节基于计算机视觉的三维重建技术

第三节基于监控视频的计算机视觉技术

第四节计算机视觉算法的图像处理技术

第五节计算机视觉图像精密测量下的关键技术第六节计算机视觉技术的手势识别步骤与方法第七节计算机视觉下的汽车安全辅助驾驶技术

第四章计算机视觉技术的创新研究

第一节计算机视觉与农作物长势监控

第二节计算机视觉与智能传播领域

第三节计算机视觉与人脸识别领域

第四节计算机视觉与水产养殖过程

第五节计算机视觉算法的图像处理

第五章新媒体时代视觉传达研究

第一节新媒体时代的视觉传达艺术设计

第二节新媒体时代下视觉传达设计发展思路

第三节视觉传达设计在新媒体时代下的多维创新

第四节 网络媒体的视觉艺术传达设计

第五节数字媒体技术支持的视觉传达设计教学创新…

第六节新媒体语境下网络新闻媒体的视觉传达

第七节新媒体时代视觉传达专业标志设计课程的创新与发展

第六章计算机视觉技术的实践应用研究

第一节计算机视觉技术在图书馆工作中的应用

第二节计算机视觉技术在工业领域中的应用

第三节计算机视觉技术在纤维检验中的应用

第四节计算机视觉技术在自动化中的应用

第五节计算机视觉技术在食品品质检测中的应用

参考文献

第一章计算机视觉技术的理论研究

第一节计算机视觉研究概述

随着信息时代的发展，未来的信息社会将会有至少90%的流量源自图像和视频数据，让机器“看懂”这些视觉数据，掌握解决具体的计算机视觉任务的方法是国内外学术界和工业界最关注的问题。为了帮助读者对计算机视觉有直观的认识，本节对计算机视觉系统进行综述。首先，概述计算机视觉的发展进程；然后，研究解决具体计算机视觉任务的技术并分类分析典型的计算机视觉应用；最后，分析计算机视觉任务面临的挑战。

视觉是人类理解认识外部世界的重要途径。在人类认知的过程中，有超过80%的信息量来自视觉系统，如物体的形状、大小、颜色、空间位置等。但是，由于主观和客观条件限制，很多信息不能由人类视觉系统直接或者准确地获取，人类自然地希望借助外部设备帮助人类处理或者理解信息，这就为人类科学技术发展带来一个崭新的研究课题——计算机视觉。计算机视觉是研究如何让机器“看”的科学，其可以模拟、扩展或者延伸人类智能，从而帮助人类解决大规模复杂的问题。计算机视觉任务应用相当广泛，如人类识别、车辆或行人检测、目标跟踪、图像生成等，其在科学、工业、农业、医疗、交通、军事等领域都有着非常广泛的应用前景。

随着并行计算、云计算、机器学习等软硬件技术的进一步发展，计算机的图像处理能力不断提高，计算机视觉近几年获得了快速的发展，各项应用在各个领域落地生根，学术界和工业界的研究也如火如荼。本节从计算机视觉发展、研究技术、面临的挑战等方面对计算机视觉进行研究，为计算机视觉研究奠定基础。

一、计算机视觉概述

计算机视觉是从图像或者视频中提出符号或者数值信息，分析计算该信息以进行目标的识别、检测和跟踪等。更形象地说，计算机视觉就是让计算机像人类一样能看到图像，并看懂理解图像。

计算机视觉开始于20世纪50年代，主要用于分析和识别二维图像，如光学字符识别、显微图片的分析解释等。到60年代，通过计算机程序可以将二维图像转换成三维结构进行分析，从此开启三维场景下计算机视觉研究。到70年代，麻省理工学院的人工智能实验室首次开设计算机视觉课程，由著名的Hom教授主讲，同实验室的Mar教授首次提出表示形式（representation）是视觉研究最重要的问题。到八九十年代，计算机视觉迅速发展，形成感知特征的新理论框架并逐渐应用到工业环境中。到21世纪，计算机视觉领域呈现许多新的趋势，计算机视觉与计算机图形学深度结合，基于计算机视觉的应用也呈爆炸式增长，除了在手机、电脑上的应用，计算机视觉技术在交通、安防、医疗、机器人上也有各种各样形态的应用。

二、计算机视觉任务常用技术

计算机视觉是让计算机获取图像到看懂图像的过程。图像处理能力赋予了计算机看即获取的能力，是人工智能的重要输入。这里主要介绍数字图像处理技术，即将图像信号转化成数字信号再用计算机进行处理的技术。图像处理的目的，是将输入的低质量的图像转化成高质量的图像输出，常用的方法有图像压缩编码、图像变换、图像描述、图像增强和复原。图像压缩编码是减少描述图像的比特数，以节省传输和存储消耗。图像变换旨在减少计算量，如将空间域的图像阵列变换成频域空间去处理。图像描述是图像理解的前提，其作用是挖掘一般或主要信息去描述图像。图像增强和复原主要用于提高图像质量，如去除噪声、强化高频信息等。以上图像处理技术主要依赖一些数学变换。

模式识别、机器学习、深度学习等算法赋予计算机看懂的能力，是人工智能的核心，更形象地说就是让计算机像人的大脑一样去理解图像。模式识别、机器学习、深度学习是让机器感知或学习的工具或方法，本节不对它们进行区别，主要帮助读者理解这些方法是如何帮助计算机理解图像或者视频的。让计算机看懂的过程，就是根据图像或者视频数据建模的过程，建模就是用数学符号或者公式推理数据之中的一般模式或者规律，从而可以对新输入的数据进行分类或者回归，分类就是输出数据的类别，回归类似于数学中的映射函数。