人工智能中计算机视觉技术的历史和现状及未来你了解多少

人工智能的发展

自1956年"人工智能"这个概念在第一次人工智能研讨会上被麦肯锡提出以来，人工智能已经走过了63个春秋，在这期间，人工智能经历过繁荣的黄金时代，也经历过低谷。直到1997年，电脑深蓝战胜国际象棋冠军卡斯帕罗夫，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统，以此为时间点，人工智能迎来了真正的春天。

深蓝机器人

现如今人工智能领域真正的明星是深度学习，深度学习由Hinton提出，但很长时间以来没有得到足够多的重视，2012年Hinton和他的学生Alex所设计的卷积神经网络AlexNet在ImageNet竞赛中获得冠军，从此开创了深度神经网络空前的高潮。

AlexNet

2016年3月15日，Google人工智能AlphaGo与围棋世界冠军李世石的人机大战最后一场落下帷幕。经过5场的搏杀，最终李世石与AlphaGo总比分定格在1：4。这一次人机大战让人工智能正式被世人所熟知，从这开始，人工智能开始了新一轮的爆发。

AlphaGo

计算机视觉

在过去的几年里，深度学习技术被应用到了数以百计的实际问题中。诸多案例也已经证明，深度学习能让工作比之前做得更好。深度学习广泛应用于自然语言处理，人机对话以及计算机视觉。尤其在计算机视觉领域，深度学习技术被广泛应用。在技术层面上，计算机视觉的应用在整个人工智能应用领域中占比34.9％，已成为各行业发展的重要支撑。

计算机视觉

计算机视觉我们可以简单的理解为通过算法模型来给机器装上眼睛，就像我们人类一样可以理解图像，对图像数据可以进行识别和分类处理，让计算机能够感知周围的环境。不难想象，具有视觉的机器的应用前景能有多么地宽广。

计算机视觉发展的四个阶段

计算机视觉经过多年的发展，总体来说主要经历了四个阶段。即：马尔计算机视觉、主动和目的视觉、多层几何与分层三维重建和基于学习的视觉。

其中基于学习的视觉技术就是当下最火热的在深度学习支持下的计算机视觉技术。随着数据的增长以及计算能力的提高，深度神经网络中数据缺少，难以训练的问题，在逐步解决，深度学习技术在图片分类、人脸识别等领域已经具有极大的优势。可以说目前来看，深度学习中发展最快且最成熟的领域就是计算机视觉。

深度学习模型卷积神经网络（CNN），是一类包含计算且具有深度结构的，它受到动物视觉皮层同时使用简单和复杂的脑细胞处理图像的启发，卷积神经网络是利用多层神经元叠加来识别和区别不同的模式，是深度学习的代表算法之一。

卷积神经网络

卷积神经网络模型想比于传统的神经网络来说，它拥有局部连接和权值共享的特性，使得它能够最大限度的解决模型参数过多，难以训练的问题，卷积神经网络模型广泛应用于计算机视觉领域，是核心算法模型之一。

计算机视觉的应用

目前，计算机视觉在图像识别和人脸识别两大领域都已经取得了较高的准确率，在其它方面，比如人体行为检测，无人驾驶等等也有了很大的发展。计算机视觉技术已经得到了广泛的应用，并逐渐开始改变世界。可以预料到，计算机视觉已经到了一个爆发的时代，正在带动全球新一轮的市场热潮。

人脸识别是人工智能视觉与图像领域中最热门的应用。现如今很多智能手机或者安检口都配备了人脸识别功能，只要人脸经过摄像头，就会被识别出自身的身份，然后与数据库信息进行匹配从而做出相应的决策。只需要刷脸就可以完成一切信息的认证，该技术已具备大规模商用的条件。

人脸识别

目标检测是指利用图像处理的理论和方法，检测出图像中存在的目标对象，确定这些目标对象的类别，并标定出目标对象在图像中的位置。目标检测是目标识别的前提，只有检测到目标才能对目标进行识别

目标检测

文字识别，通过摄像头扫描，可以将图片中的文字转化为文本文字，快速而准确的识别图片中的所有文字信息，返回文字框位置与文字内容，这个也是计算机视觉最快被应用的领域之一。

文字识别

自动驾驶，随着汽车的普及，汽车已经成为人工智能技术非常大的应用投放方向，汽车的驾驶辅助的功能及应用越来越多，这些应用多半是基于计算机视觉和图像处理技术来实现。无人驾驶技术已经不是遥不可及的目标，现如今有众多初创企业已经在朝着L4级别的自动驾驶技术发展，相信在不愿的未来，汽车将会成为真正意义的代步工具。

自动驾驶

计算机视觉的未来

计算机视觉需要依靠强大的计算能力和大量标注数据的支持，虽然现在是大数据时代，但从数据的角度来看，在计算机视觉领域，数据还往往不够。很多计算机视觉模型可能在某一领域效果出色，但是当其应用到另外一个领域的时候往往效果不尽如人意。但这并不意味着计算机视觉不行，随着人工智能的发展以及数据的积累，未来，计算机视觉可能会出现真正像人一样可以同时完成多项任务的能力，不同领域之间可以自由切换，达到真正的智能视觉。