計算機視覺是指為計算機賦予人類視覺這一技術(shù)目標，從而賦能裝配線檢查到駕駛輔助和機器人等應(yīng)用。計算機缺乏像人類一樣憑直覺產(chǎn)生視覺和畫面的能力。我們必須給予計算機一些算法，以便處理領(lǐng)域特異性任務(wù)。

　　本文著眼于使計算機能夠像人類一樣通過“看”來感知世界，從這一視角對人工智能 （AI） 進行了探討。我將簡要比較每一類計算機視覺，尤其關(guān)注在本地而不是依賴基于云的資源收集和處理數(shù)據(jù)，并根據(jù)數(shù)據(jù)采取行動的嵌入式系統(tǒng)。

　　什么是計算機視覺？

　　20 世紀 60 年代，計算機視覺已經(jīng)能夠執(zhí)行從頁面上讀取文本（光學(xué)字符識別）和識別圓形或矩形等形狀這類任務(wù)。從那時起，計算機視覺便成為 AI 的核心領(lǐng)域之一，它包括了任何從數(shù)據(jù)中感知、綜合或推斷含義的計算機系統(tǒng)。

　　計算機視覺有三種方法：

• 傳統(tǒng)計算機視覺是指用來處理諸如運動估計、全景圖像拼接或直線檢測等任務(wù)的編程算法。傳統(tǒng)計算機視覺使用標準信號處理和邏輯來處理任務(wù)。工程師需要手動選擇用于從圖像中提取含義的函數(shù)，然后在處理任務(wù)的算法中使用所生成的特征。Canny 邊緣檢測算法可以找出運動的輪廓，光流算法可以找出運動的矢量，這有助于在圖像或運動跟蹤后續(xù)圖像中分離出物體。對于需要根據(jù)此任務(wù)或環(huán)境進行校準的參數(shù)，需要手動或通過輔助算法做出調(diào)整。

• 經(jīng)典機器學(xué)習(xí)計算機視覺需要由專家來“打造”特征集，供機器學(xué)習(xí)模型進行訓(xùn)練。其中許多特征是與傳統(tǒng)計算機視覺應(yīng)用所共有的。并非所有特征都有用，因此需要進行分析以去除無信息特征；機器學(xué)習(xí)算法將使用這些特征進行訓(xùn)練，以便找出可能難以手動分離的模式。若要有效地實現(xiàn)這些算法，需要具備圖像處理和機器學(xué)習(xí)方面的專業(yè)知識。

• 深度學(xué)習(xí)計算機視覺屬于機器學(xué)習(xí)，但使用的是非常龐大的神經(jīng)網(wǎng)絡(luò)模型，對大量未經(jīng)處理的“原始”數(shù)據(jù)進行運算。深度學(xué)習(xí)對計算機視覺產(chǎn)生了重大影響，它將特征提取操作拉入模型之中，使得算法可以學(xué)習(xí)信息最豐富的特征，而無需專業(yè)知識來手動打造特征集。深度學(xué)習(xí)甚至能夠更好地分離出微妙的模式，但對計算和內(nèi)存的要求更高。

　　那么，哪一類計算機視覺最好呢？

　　這最終取決于表 1 中概述的幾個因素。此表只是籠統(tǒng)地進行概括，其中的準確性和任務(wù)復(fù)雜性等指標依賴于具體用例。

　　表 1：計算機視覺技術(shù)比較

　　經(jīng)典機器學(xué)習(xí)計算機視覺介于傳統(tǒng)方法和深度學(xué)習(xí)方法之間；與其他兩種方法相比，能夠從中受益的應(yīng)用集合規(guī)模較小。在簡單直接、高通量或安全攸關(guān)的應(yīng)用中，傳統(tǒng)計算機視覺可能準確而高效。深度學(xué)習(xí)通用性超強、開發(fā)難度超低，并且在復(fù)雜應(yīng)用中的準確性超高，如在高密度設(shè)計的印刷電路板 （PCB） 裝配驗證期間用于發(fā)現(xiàn)微小的缺失元件。

　　一些應(yīng)用可以通過同時采用多種類型的計算機視覺算法而受益，相互取長補短。這種方法常用于環(huán)境非常多變的安全攸關(guān)型應(yīng)用中，如駕駛輔助系統(tǒng)。例如，您可以并行采用基于傳統(tǒng)計算機視覺方法的光流和深度學(xué)習(xí)模型來跟蹤附近的車輛，并且使用一種算法對結(jié)果進行融合，從而確定兩種方法是否一致。如果不一致，系統(tǒng)可能會警告駕駛員或啟動安全操控。

　　替代方法是依次使用多種類型的計算機視覺。條形碼讀取器可以使用深度學(xué)習(xí)來定位感興趣區(qū)域，對這些區(qū)域進行裁剪，然后使用傳統(tǒng)計算機視覺算法進行解碼。

　　深度學(xué)習(xí)在計算機視覺應(yīng)用中的益處

　　與傳統(tǒng)計算機視覺和經(jīng)典機器學(xué)習(xí)相比，深度學(xué)習(xí)由于在研究、開源和商業(yè)社區(qū)中非常受歡迎，因此始終具有較高的準確性，并且在迅速改進。圖 1 從開發(fā)者的角度總結(jié)了這三種技術(shù)在數(shù)據(jù)流方面的差異。

　　圖 1：各種計算機視覺方法的數(shù)據(jù)流

　　深度學(xué)習(xí)是一種計算密集型方法。然而，由于處理能力、速度、加速器（如神經(jīng)處理單元和圖形處理單元）的改進，以及對矩陣和向量運算的軟件支持的提升，計算要求增加的問題得以緩解，即使在嵌入式系統(tǒng)上也是如此。諸如 AM62A7 等微處理器可以利用硬件加速器，以很高的幀率運行深度學(xué)習(xí)算法。

　　計算機視覺實踐

　　TI AM6xA 產(chǎn)品組合（如 AM62A7）中的處理器包含深度學(xué)習(xí)加速硬件和輔助軟件，有利于傳統(tǒng)及深度學(xué)習(xí)計算機視覺任務(wù)。在 TDA4VM 和 AM68PA 等處理器上，數(shù)字信號處理器內(nèi)核（如 C66x）以及用于光流和立體聲深度估計的硬件加速器還能為高性能傳統(tǒng)計算機視覺任務(wù)賦能。

　　借助能夠同時支持傳統(tǒng)計算機視覺和深度學(xué)習(xí)計算機視覺的處理器，將有可能打造出與科幻夢想相媲美的工具。自動購物車將會簡化購物過程；手術(shù)和醫(yī)療機器人將指導(dǎo)醫(yī)生發(fā)現(xiàn)早期疾病征兆；移動機器人將會修剪草坪和遞送包裹。請參閱 TI 的邊緣 AI 視覺頁面，探究嵌入式計算機視覺如何改變世界。

更多精彩內(nèi)容歡迎點擊==>>電子技術(shù)應(yīng)用-AET<<