视觉AI（也称为计算机视觉）是计算机科学的一个领域，它训练计算机复制人类视觉系统。这使得数字设备（如人脸检测器，QR码扫描仪）能够像人类一样识别和处理图像和视频中的物体。
电子商务商店的个性化图像搜索，3D模型构建（摄影测量），地图上的aeriel图像，零售店的OCR扫描，人脸识别，图像探测器，MRI重建是我们今天拥有的计算机视觉的一些创新用例。
但是，这项技术是什么时候引入的呢？它是如何演变的？无论行业如何，它都会为企业带来哪些未来的可能性？接下来的部分将讨论这三个因素，并简要介绍视觉AI的工作原理。那么，让我们开始吧。
计算机视觉的历史与演进：
计算机视觉的第一个实验发生在20世纪50年代，其中神经网络用于检测物体的边缘并对正方形和圆形等简单物体进行排序。在20世纪70年代后期，计算机视觉的商业用例被实施。它是使用光学字符识别（OCR）的手写文本的解释。这种执行是用来解释盲人的书面文本。在1999年代，随着互联网的成熟，面部识别程序蓬勃发展。后来，在2010年（及以后），深度学习帮助计算机训练自己并随着时间的推移自我完善。
如今，这项技术已经在汽车、医疗保健、零售、智能手机等各个领域找到了自己的用例。促进视觉AI技术进步的是经济实惠的计算能力，更好的硬件，卷积神经网络等新算法。因此，输出的准确性更高，并且改进了该技术的用例。
由于其潜力，到2019年底，计算机视觉AI市场预计将达到16亿美元。|资料来源：国家统计局
计算机视觉AI：它是如何工作的？
将计算机视觉AI视为拼图游戏。您必须组装几个部分才能创建映像。这正是计算机视觉神经网络的工作原理。神经网络区分图像的不同部分并识别子组件的模型。
计算机不是给出识别物体的提示，而是提供可以帮助精确识别物体的图像。假设，你必须训练一台计算机来识别一只猫。该系统没有给出不同的尾巴，胡须，尖尖的耳朵等提示，而是用数百（或数百万）的猫的图像喂养。这样创建的模型了解构成猫的不同特征，或将其与其他外观相似的动物区分开来。
计算机视觉AI的应用：
1. 图像分割
它是根据图像中的像素特征将图像从多个区域和片段中划分的过程。图像分割通常用于检查目的，涉及根据颜色或形状的相似性，按像素将前景与背景分开或按像素聚类图像的各个部分。下面显示的图像举例说明了图像分割，其中图像的某些部分通过颜色进行区分。
图片提供：研究门
2. 物体检测
计算机视觉AI的这个领域处理图像或视频中一个或多个对象的检测。例如，监控摄像头可以智能地检测人类及其活动（无运动，枪支或刀等物体等），以便对可疑活动进行警告。
图片提供：研究门
3. 面部识别
面部识别技术旨在检测图像中的物体或人脸。它是计算机视觉的复杂应用之一，因为人脸的表情，姿势，肤色，相机质量，位置或方向，图像分辨率等的差异各不相同。但是，这种技术被突出使用。智能手机使用它进行用户身份验证。Facebook在为图片中的人物提供标记建议时也使用相同的技术。
图片提供：苹果
4. 边缘检测
边缘检测处理查找图像中对象的边界。这是通过检测亮度的不连续性来完成的。边缘检测可以极大地帮助数据提取和图像分割。
图片提供：维基百科
5. 模式识别
模式识别是系统检测特征或数据排列的能力。在这里，模式可以是重复的数据序列或添加到系统中的一组数据。
图片提供：维基百科
6. 图像分类
图像分类涉及根据图像中存在的上下文视觉内容对图像进行分类。该过程包括将重点放在附近像素的关系上。分类系统包括一个包含预定义模式的数据库。将这些模式与检测到的对象进行比较，以对其进行分类。图像分类在车辆导航、生物测量、视频监控、生物医学成像等领域具有重要的应用。
计算机视觉的现状和未来：
计算机视觉为消费者和企业带来了无限的可能性。自动驾驶汽车、医疗诊断、图像标签、无收银员结账是计算机视觉技术的一些好处，这些好处体现了其对不同行业的无限好处。
然而，在更大规模上实现计算机视觉的主要挑战之一是需要训练的大数据。有了更好的资源来训练模型，计算机视觉就能够绕过人类识别、分类和检测各种图像/视频的能力。
原文链接：https://blog.csdn.net/qq_22182989/article/details/125719029
