mv-chp01教案解析.pptVIP

北京邮电大学自动化学院 5. 计算机视觉的研究内容 一、输入设备(input device) 包括成像设备和数字化设备．成象设备是指通过光学摄像机或红外、激光、超声、X射线对周围场景或物体进行探测成象，得到关于场景或物体的二维或三维数字化图像． 二、低层视觉(low level) 主要是对输入的原始图像进行处理．这一过程借用了大量的图像处理技术和算法，如图像滤波、图像增强、边缘检测等，以便从图像中抽取诸如角点、边缘、线条、边界以及色彩等关于场景的基本特征；这一过程还包含了各种图像变换（如校正）、图像纹理检测、图像运动检测等． 三、中层视觉（middle level） 主要任务是恢复场景的深度、表面法线方向、轮廓等有关场景的2.5维信息，实现的途径有立体视觉（stereo vision）、测距成像（rangefinder）运动估计（motion estimation）、明暗特征、纹理特征等. 系统标定、系统成像模型等研究内容一般也是在这个层次上进行的． 四、高层视觉（high level） 主要任务是在以物体为中心的坐标系中，在原始输入图像、图像基本特征、2.5维图的基础上，恢复物体的完整三维图，建立物体三维描述，识别三维物体并确定物体的位置和方向． 6. 计算机视觉研究面临的困难 （1） 图像多义性： 三维场景被投影为二维图像，深度和不可见部分的信息被丢失，因而会出现不同形状的三维物体投影在图像平面上产生相同图像的问题．另外，在不同角度获取同一物体的图像会有很大的差异． （2）环境因素影响：场景中的诸多因素，包括照明、物体形状、表面颜色、摄像机以及空间关系变化都会对成像有影响. （3）知识导引： 同样的图像在不同的知识导引下，将会产生不同的识别结果． （4）大量数据： 灰度图像，彩色图像，深度图像的信息量十分巨大，巨大的数据量需要很大的存贮空间，同时不易实现快速处理． 7. 计算机视觉与其它学科领域的关系 （1）图像处理：图像处理通常是把一幅图像变换成另外一幅图像，也就是说，图像处理系统的输入是图像，输出仍然是图像，信息恢复任务则留给人来完成 （2）计算机图形学：通过几何基元，如线、圆和自由曲面，来生成图像，它在可视化（Visualization）和虚拟现实(Virtual Reality）中起着很重要的作用．计算机视觉正好是解决相反的问题，即从图像中估计几何基元和其它特征．因此，计算机图形学属于图像综合，计算机视觉属于图像分析． （3）模式识别：用于识别各种符号、图画等平面图形．模式一般指一类事物区别于其它事物所具有的共同特征。模式识别方法有统计方法和句法方法两种，统计方法是指从模式抽取一组特征值，并以划分特征空间的方法来识别每一个模式 （4）人工智能（AI）：涉及到智能系统的设计和智能计算的研究．在经过图像处理和图像特征提取过程后，接下来要用人工智能方法对场景特征进行表示，并分析和理解场景．人工智能有三个过程：感知、认知和行动．． （5）人工神经网络（ANNs）：是一种信息处理系统，它是由大量简单的处理单元（称为神经元）通过具有强度的连接相互联系起来，实现并行分布式处理（PDP）．人工神经网络的最大特点是可以通过改变连接强度来调整系统，使之适应复杂的环境，实现类似人的学习、归纳和分类等功能． （6）神经物理学与认知科学：将人类视觉作为主要的研究对象．计算机视觉中已有的许多方法与人类视觉极为相似．许多计算机视觉研究者对研究人类视觉计算模型比研究计算机视觉系统更感兴趣，希望计算机视觉更加自然化，更加接近生物视觉 8. 计算机视觉研究对策 研究人员不断寻求新的途径和手段，比如，主动视觉(active vision)，面向任务的视觉(task-oriented vision)，基于知识、基于模型的视觉，以及多传感融合和集成视觉等方法，其中人们越来越重视对知识的应用．我们会看到，计算机视觉系统的最大特征是，在视觉的各个阶段，系统尽可能地进行自动运算．为此，系统需要使用各种知识，包括特征模型、成像过程、物体模型和物体间的关系．如果计算机视觉系统不用这些知识，则其应用的范围及其功能将十分有限．因此，视觉系统应该使用那些可以被明确表示的知识，以使系统具有更高的适应性和鲁棒性．合理地使用知识不仅可以有效地提高系统的适应性和鲁棒性，而且可以求解计算机视觉中较难的问题． 1．基于视觉感知与认知机理的图像分析与识别系统 研究目标：突破基于人类视觉感知与认知机理的图像处理模型、 关键技术和算法，建立个性化、高准确度的图像分析 与识别系统。 研究内容：分层交互的统计视觉计算模型与推理，基于感知整 合