信息技术 第二册（五年制高职）教案 9.2.4 计算机视觉关键技术.docx

PAGE

PAGE1

9.2.4计算机视觉关键技术

计算机视觉关键技术主要包括以下几个方面：

图像处理技术

包括图像增强、图像滤波、边缘检测、特征提取等技术，用于对图像进行预处理和增强，如图1、图2所示。

图1图像增强前后对比效果

图2图像边缘检测

图像分类

图像分类是指对图像中所包含的物体进行分类，一般分类物体为图像的主体，解决图片是什么的问题。图像分类可以分为两个步骤：训练和测试。在训练阶段，计算机会从已知类别的图像中学习并构建一个分类模型，该模型可以将不同的图像分为不同的类别。在测试阶段，计算机会使用该模型对未知图像类别进行预测，并提供预测的置信度，如图3所示。

图3百度AI平台蔬菜的图像分类识别

目标检测

目标检测任务是找出图像或视频中人们感兴趣的物体，并同时检测出它们的位置和大小。不同于图像分类任务，目标检测不仅要解决分类问题，还要解决定位问题。如图4所示，即要定位出人、马、狗的位置，还需要依据图像内容进行分类识别。

图4目标检测

图像分割

也称语义分割，是指将一幅图像分成多个区域，使每个区域内具有相似的特征。通常情况下，图像分割可以分为两类：基于区域的分割和基于边缘的分割。基于区域的分割是将图像分成不同的区域，每个区域具有相似的颜色、纹理、亮度等特征。基于边缘的分割是将图像分成不同的区域，每个区域由图像中的边缘构成。如一张“人驾驶摩托车行驶在林间小道上”的图片，除了识别人、道路、汽车、树木等之外，我们还必须确定每个物体的边界。因此，与分类不同，我们需要用模型对图像密集的像素进行预测。

实例分割

在语义分割的基础上，将多个重叠物体和不同背景的复杂景象进行分类，比如语义分割中，识别出图像中这一片区域是人，这一片区域是车，但在实例分割中，会在人的区域中识别出有5个人，分别用不同颜色来标记，车的区域有3辆车，分别用不同颜色来标记。在实例分割中，我们不仅需要将这些不同的对象进行分类，而且还要确定对象的边界、差异和彼此之间的关系，如图5所示。

（a）原图(b)语义分割(c)实例分割

图5语义分割和实例分割

视频分类

与图像分类不同的是，视频分类的对象不再是静止的图像，而是一个由多帧图像构成的、包含语音数据、包含运动信息等的视频对象，因此理解视频需要获得更多的上下文信息，不仅要理解每帧图像是什么、包含什么，还需要结合不同帧，知道上下文的关联信息。

人体关键点检测

通过人体关键节点的组合和追踪来识别人的运动和行为，对于描述人体姿态，预测人体行为至关重要，如图6所示。

图6人体关键点检测

目标跟踪

是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。目标跟踪与目标检测类似，都是在图像中检测感兴趣物体。二者的区别在于，目标检测只对单帧图像进行目标定位，而目标跟踪是处理连续多帧图像。

以上关键技术是计算机视觉领域的核心技术，也是实现各种应用场景的重要手段。在计算机视觉领域的研究和应用中，这些技术通常需要结合使用，以实现更加复杂和高效的功能。