前不久，vivo宣布成立AI全球研究院，將會加大對人工智能多個領(lǐng)域包括知識圖譜、自然語言以及機(jī)器視覺等加大投入，深入研究開發(fā)創(chuàng)新性技術(shù)。

過去幾年，全球的互聯(lián)網(wǎng)公司包括谷歌、微軟、Facebook以及中國的百度、阿里巴巴都在加強(qiáng)人工智能領(lǐng)域的投資，設(shè)立自己的人工智能研究院。vivo是第一家設(shè)立專攻人工智能方向研究院的中國手機(jī)公司。此舉是vivo內(nèi)部已經(jīng)確立的一份3-5年的中長期發(fā)展的戰(zhàn)略規(guī)劃，未來對人工智能的發(fā)展研究是必然趨勢，vivo公司創(chuàng)始人兼CEO沈煒曾表示“人工智能和5G的結(jié)合將會是5G時代手機(jī)發(fā)展的趨勢”。

今年我們看到vivo在產(chǎn)品上不少創(chuàng)新，比如AI拍照、商用屏下指紋技術(shù)等等，這些都是基于生物特征（biometrics）的鑒別技術(shù)，除此之外還有對人臉、虹膜、指紋、聲音等特征上的識別，這些大多涉及到視覺信息，正是體現(xiàn)了計算機(jī)視覺的應(yīng)用性，那什么是計算機(jī)視覺呢？

計算機(jī)視覺技術(shù)的概念

正像其它學(xué)科一樣，一個大量人員研究了多年的學(xué)科，卻很難給出一個嚴(yán)格的定義，模式識別如此，目前火熱的人工智能如此，計算機(jī)視覺亦如此。與計算機(jī)視覺密切相關(guān)的概念有視覺感知（visual perception），視覺認(rèn)知（visual cognition），圖像和視頻理解（ image and video understanding）。這些概念有一些共性之處，也有本質(zhì)不同。

從廣義上說，計算機(jī)視覺就是“賦予機(jī)器自然視覺能力”的學(xué)科。自然視覺能力，就是指生物視覺系統(tǒng)體現(xiàn)的視覺能力。一則生物自然視覺無法嚴(yán)格定義，在加上這種廣義視覺定義又“包羅萬象”，同時也不太符合40多年來計算機(jī)視覺的研究狀況，所以這種“廣義計算機(jī)視覺定義”，雖無可挑剔，但也缺乏實質(zhì)性內(nèi)容，不過是一種“循環(huán)式游戲定義”而已。

實際上，計算機(jī)視覺本質(zhì)上就是研究視覺感知問題。視覺感知，根據(jù)維科百基（Wikipedia）的定義， 是指對“環(huán)境表達(dá)和理解中，對視覺信息的組織、識別和解釋的過程”。根據(jù)這種定義，計算機(jī)視覺的目標(biāo)是對環(huán)境的表達(dá)和理解，核心問題是研究如何對輸入的圖像信息進(jìn)行組織，對物體和場景進(jìn)行識別，進(jìn)而對圖像內(nèi)容給予解釋。

計算機(jī)視覺（Computer Vision， CV）是一門研究如何讓計算機(jī)達(dá)到人類那樣“看”的學(xué)科。更準(zhǔn)確點說，它是利用攝像機(jī)和電腦代替人眼使得計算機(jī)擁有類似于人類的那種對目標(biāo)進(jìn)行分割、分類、識別、跟蹤、判別決策的功能。

計算機(jī)視覺是使用計算機(jī)及相關(guān)設(shè)備對生物視覺的一種模擬，是人工智能領(lǐng)域的一個重要部分，它的研究目標(biāo)是使計算機(jī)具有通過二維圖像認(rèn)知三維環(huán)境信息的能力。計算機(jī)視覺是以圖象處理技術(shù)、信號處理技術(shù)、概率統(tǒng)計分析、計算幾何、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)理論和計算機(jī)信息處理技術(shù)等為基礎(chǔ)，通過計算機(jī)分析與處理視覺信息。

通常來說，計算機(jī)視覺定義應(yīng)當(dāng)包含以下三個方面：

1、對圖像中的客觀對象構(gòu)建明確而有意義的描述；

2、從一個或多個數(shù)字圖像中計算三維世界的特性；

3、基于感知圖像做出對客觀對象和場景有用的決策。

作為一個新興學(xué)科，計算機(jī)視覺是通過對相關(guān)的理論和技術(shù)進(jìn)行研究，從而試圖建立從圖像或多維數(shù)據(jù)中獲取“信息”的人工智能系統(tǒng)。計算機(jī)視覺是一門綜合性的學(xué)科，其中包括計算機(jī)科學(xué)和工程、信號處理、物理學(xué)、應(yīng)用數(shù)學(xué)和統(tǒng)計學(xué)，神經(jīng)生理學(xué)和認(rèn)知科學(xué)等，同時與圖像處理，模式識別，投影幾何，統(tǒng)計推斷，統(tǒng)計學(xué)習(xí)等學(xué)科密切相關(guān)，近年來，與計算機(jī)圖形學(xué)，三維表現(xiàn)等學(xué)科也發(fā)生了很強(qiáng)的聯(lián)系。

人工智能與計算機(jī)視覺

計算機(jī)視覺與人工智能有密切聯(lián)系，但也有本質(zhì)的不同。人工智能的目的是讓計算機(jī)去看、去聽和去讀。圖像、語音和文字的理解，這三大部分基本構(gòu)成了我們現(xiàn)在的人工智能。而在人工智能的這些領(lǐng)域中，視覺又是核心。大家知道，視覺占人類所有感官輸入的80%，也是最困難的一部分感知。如果說人工智能是一場革命，那么它將發(fā)軔于計算機(jī)視覺，而非別的領(lǐng)域。

人工智能更強(qiáng)調(diào)推理和決策，但至少計算機(jī)視覺目前還主要停留在圖像信息表達(dá)和物體識別階段?！拔矬w識別和場景理解”也涉及從圖像特征的推理與決策，但與人工智能的推理和決策有本質(zhì)區(qū)別。

計算機(jī)視覺和人工智能的關(guān)系：

第一， 它是一個人工智能需要解決的很重要的問題。

第二， 它是目前人工智能的很強(qiáng)的驅(qū)動力。因為它有很多應(yīng)用，很多技術(shù)是從計算機(jī)視覺誕生出來以后，再反運(yùn)用到AI領(lǐng)域中去。

第三， 計算機(jī)視覺擁有大量的量子AI的應(yīng)用基礎(chǔ)。

計算機(jī)視覺技術(shù)的原理

計算機(jī)視覺就是用各種成象系統(tǒng)代替視覺器官作為輸入敏感手段，由計算機(jī)來代替大腦完成處理和解釋。計算機(jī)視覺的最終研究目標(biāo)就是使計算機(jī)能象人那樣通過視覺觀察和理解世界，具有自主適應(yīng)環(huán)境的能力。在實現(xiàn)最終目標(biāo)以前，人們努力的中期目標(biāo)是建立一種視覺系統(tǒng)，這個系統(tǒng)能依據(jù)視覺敏感和反饋的某種程度的智能完成一定的任務(wù)。例如，計算機(jī)視覺的一個重要應(yīng)用領(lǐng)域就是自主車輛的視覺導(dǎo)航，還沒有條件實現(xiàn)象人那樣能識別和理解任何環(huán)境，完成自主導(dǎo)航的系統(tǒng)。因此，人們努力的研究目標(biāo)是實現(xiàn)在高速公路上具有道路跟蹤能力，可避免與前方車輛碰撞的視覺輔助駕駛系統(tǒng)。

這里要指出的一點是在計算機(jī)視覺系統(tǒng)中計算機(jī)起代替人腦的作用，但并不意味著計算機(jī)必須按人類視覺的方法完成視覺信息的處理。計算機(jī)視覺可以而且應(yīng)該根據(jù)計算機(jī)系統(tǒng)的特點來進(jìn)行視覺信息的處理。但是，人類視覺系統(tǒng)是迄今為止，人們所知道的功能最強(qiáng)大和完善的視覺系統(tǒng)，對人類視覺處理機(jī)制的研究將給計算機(jī)視覺的研究提供啟發(fā)和指導(dǎo)。因此，用計算機(jī)信息處理的方法研究人類視覺的機(jī)理，建立人類視覺的計算理論，也是一個非常重要和信人感興趣的研究領(lǐng)域。

這一領(lǐng)域的深入研究是從20世紀(jì)50年代開始的，走的是三個方向——即復(fù)制人眼；復(fù)制視覺皮層；以及復(fù)制大腦剩余部分。

復(fù)制人眼——讓計算機(jī)“去看”

目前做出最多成效的領(lǐng)域就是在“復(fù)制人眼”這一領(lǐng)域。在過去的幾十年，科學(xué)家已經(jīng)打造了傳感器和圖像處理器，這些與人類的眼睛相匹配，甚至某種程度上已經(jīng)超越。通過強(qiáng)大、光學(xué)上更加完善的鏡頭，以及納米級別制造的半導(dǎo)體像素，現(xiàn)代攝像機(jī)的精確性和敏銳度達(dá)到了一個驚人的地步。它們同樣可以拍下每秒數(shù)千張的圖像，并十分精準(zhǔn)地測量距離。

但是問題在于，雖然我們已經(jīng)能夠?qū)崿F(xiàn)輸出端極高的保真度，但是在很多方面來說，這些設(shè)備并不比19世紀(jì)的針孔攝像機(jī)更為出色：它們充其量記錄的只是相應(yīng)方向上光子的分布，而即便是最優(yōu)秀的攝像頭傳感器也無法去“識別”一個球，遑論將它抓住。

換而言之，在沒有軟件的基礎(chǔ)上，硬件是相當(dāng)受限制的。因此這一領(lǐng)域的軟件才是要投入解決的更加棘手的問題。不過現(xiàn)在攝像頭的先進(jìn)技術(shù)，的確為這軟件提供了豐富、靈活的平臺就是了。

復(fù)制視覺皮層——讓計算機(jī)“去描述”

要知道，人的大腦從根本上就是通過意識來進(jìn)行“看”的動作的。比起其他的任務(wù)，在大腦中相當(dāng)?shù)牟糠侄际菍ｉT用來“看”的，而這一專長是由細(xì)胞本身來完成的——數(shù)十億的細(xì)胞通力合作，從嘈雜、不規(guī)則的視網(wǎng)膜信號中提取模式。

如果在特定角度的一條沿線上出現(xiàn)了差異，或是在某個方向上出現(xiàn)了快速運(yùn)動，那么神經(jīng)元組就會興奮起來。較高級的網(wǎng)絡(luò)會將這些模式歸納進(jìn)元模式（meta-pattern）中：它是一個朝上運(yùn)動的圓環(huán)。同時，另一個網(wǎng)絡(luò)也相應(yīng)而成：這次是帶紅線的白色圓環(huán)。而還有一個模式則會在大小上增長。從這些粗糙但是補(bǔ)充性的描述中，開始生成具體的圖像。

使用人腦視覺區(qū)域相似的技術(shù)，定位物體的邊緣和其他特色，從而形成的“方向梯度直方圖”

由于這些網(wǎng)絡(luò)一度被認(rèn)為是“深不可測的復(fù)雜”，因此 在計算機(jī)視覺研究的早期，采用的是別的方式：即“自上而下的推理”模式——比如一本書看起來是“這樣”，那么就要注意與“這個”類似的模式。而一輛車看起來是“這樣”，動起來又是“這樣”。

在某些受控的情況下，確實能夠?qū)ι贁?shù)幾個物體完成這一過程，但如果要描述身邊的每個物體，包括所有的角度、光照變化、運(yùn)動和其他上百個要素，即便是咿呀學(xué)語的嬰兒級別的識別，也需要難以想象的龐大數(shù)據(jù)。

而如果不用“自上而下”，改用“自下而上”的辦法，即去模擬大腦中的過程，則看上去前景更加美好：計算機(jī)可以在多張圖中，對一張圖片進(jìn)行一系列的轉(zhuǎn)換，從而找到物體的邊緣，發(fā)現(xiàn)圖片上的物體、角度和運(yùn)動。就像人類的大腦一樣，通過給計算機(jī)觀看各種圖形，計算機(jī)會使用大量的計算和統(tǒng)計，試著把“看到的”形狀與之前訓(xùn)練中識別的相匹配。

科學(xué)家正在研究的，是讓智能手機(jī)和其他的設(shè)備能夠理解、并迅速識別出處在攝像頭視場里的物體。如上圖，街景中的物體都被打上了用于描述物體的文本標(biāo)簽，而完成這一過程的處理器要比傳統(tǒng)手機(jī)處理器快上120倍。

隨著近幾年并行計算領(lǐng)域的進(jìn)步，相關(guān)的屏障逐漸被移除。目前出現(xiàn)了關(guān)于模仿類似大腦機(jī)能研究和應(yīng)用的爆發(fā)性增長。模式識別的過程正在獲得數(shù)量級的加速，我們每天都在取得更多的進(jìn)步。

復(fù)制大腦剩余部分——讓計算機(jī)“去理解”

當(dāng)然，光是“識別”“描述”是不夠的。一臺系統(tǒng)能夠識別蘋果，包括在任何情況、任何角度、任何運(yùn)動狀態(tài)，甚至是否被咬等等等等。但它仍然無法識別一個橘子。并且它甚至都不能告訴人們：啥是蘋果？是否可以吃？尺寸如何？或者具體的用途。

前面說過，沒有軟件，硬件的發(fā)揮非常受限。但現(xiàn)在的問題是，即便是有了優(yōu)秀的軟硬件，沒有出色的操作系統(tǒng)，也“然并卵”。

對于人們來說，大腦的剩余部分由這些組成，包括長短期記憶、其他感官的輸入、注意力和認(rèn)知力、從世界中萬億級別的交互中收獲的十億計知識，這些知識將通過我們很難理解的方式，被寫入互聯(lián)的神經(jīng)。而要復(fù)制它，比起我們遇到過的任何事情都要更加復(fù)雜。

計算機(jī)視覺的應(yīng)用領(lǐng)域

計算機(jī)視覺的應(yīng)用領(lǐng)域主要包括對照片、視頻資料如航空照片、衛(wèi)星照片、視頻片段等的解釋、精確制導(dǎo)、移動機(jī)器人視覺導(dǎo)航、醫(yī)學(xué)輔助診斷、工業(yè)機(jī)器人的手眼系統(tǒng)、地圖繪制、物體三維形狀分析與識別及智能人機(jī)接口等。

早期進(jìn)行數(shù)字圖像處理的目的之一就是要通過采用數(shù)字技術(shù)提高照片的質(zhì)量，輔助進(jìn)行航空照片和衛(wèi)星照片的讀取判別與分類。由于需要判讀的照片數(shù)量很多，于是希望有自動的視覺系統(tǒng)進(jìn)行判讀解釋，在這樣的背景下，產(chǎn)生了許多航空照片和衛(wèi)星照片判讀系統(tǒng)與方法。自動判讀的進(jìn)一步應(yīng)用就是直接確定目標(biāo)的性質(zhì)，進(jìn)行實時的自動分類，并與制導(dǎo)系統(tǒng)相結(jié)合。目前常用的制導(dǎo)方式包括激光制導(dǎo)、電視制導(dǎo)和圖像制導(dǎo)，在導(dǎo)彈系統(tǒng)中常常將慣性制導(dǎo)與圖像制導(dǎo)結(jié)合，利用圖像進(jìn)行精確的末制導(dǎo)。

工業(yè)機(jī)器人的手眼系統(tǒng)是計算機(jī)視覺應(yīng)用最為成功的領(lǐng)域之一，由于工業(yè)現(xiàn)場的諸多因素，如光照條件、成像方向均是可控的，因此使得問題大為簡化，有利于構(gòu)成實際的系統(tǒng)。與工業(yè)機(jī)器人不同，對于移動機(jī)器人而言，由于它具有行為能力，于是就必須解決行為規(guī)劃問題，即是對環(huán)境的了解。隨著移動式機(jī)器人的發(fā)展，越來越多地要求提供視覺能力，包括道路跟蹤、回避障礙、特定目標(biāo)識別等。目前移動機(jī)器人視覺系統(tǒng)研究仍處于實驗階段，大多采用遙控和遠(yuǎn)視方法。

在醫(yī)學(xué)上采用的圖像處理技術(shù)大致包括壓縮、存儲、傳輸和自動/輔助分類判讀，此外還可用于醫(yī)生的輔助訓(xùn)練手段。與計算機(jī)視覺相關(guān)的工作包括分類、判讀和快速三維結(jié)構(gòu)的重建等方面。長期以來，地圖繪制是一件耗費人力、物力和時間的工作。以往的做法是人工測量，現(xiàn)在更多的是利用航測加上立體視覺中恢復(fù)三維形狀的方法繪制地圖，大大提高了地圖繪制的效率。同時，通用物體三維形狀分析與識別一直是計算機(jī)視覺的重要研究目標(biāo)，并在景物的特征提取、表示、知識的存儲、檢索以及匹配識別等方面都取得了一定的進(jìn)展，構(gòu)成了一些用于三維景物分析的系統(tǒng)。

近年來，基于生物特征（biometrics）的鑒別技術(shù)得到了廣泛重視，主要集中在對人臉、虹膜、指紋、聲音等特征上，這其中大多都與視覺信息有關(guān)。與生物特征識別密切相關(guān)的另一個重要應(yīng)用是用于構(gòu)成智能人機(jī)接口?，F(xiàn)在計算機(jī)與人的交流還是機(jī)械式的，計算機(jī)無法識別用戶的真實身份，除鍵盤、鼠標(biāo)外，其他輸入手段還不成熟。利用計算機(jī)視覺技術(shù)可以使計算機(jī)檢測到用戶是否存在、鑒別用戶身份、識別用戶的體勢（如點頭、搖頭）。此外，這種人機(jī)交互方式還可推廣到一切需要人機(jī)交互的場合，如入口安全控制、過境人員的驗放等。