人工智能通识：零基础学AI 课件 Chapter6-第6章 计算机视觉

人工智能通识——零基础学AI第6章计算机视觉目录01计算机视觉概述

02计算机视觉的典型应用场景03计算机视觉的核心任务04计算机视觉面临的挑战01计算机视觉概述Partone6.1计算机视觉概述

什么是计算机视觉计算机视觉的发展历史计算机视觉与人类视觉的差异6.1.1什么是计算机视觉计算机视觉是人工智能的一个重要分支，它致力于让计算机能够“看懂”并理解图像和视频中的内容，就像人类视觉系统那样对视觉信息进行分析、解释和决策。简单来说，就是让机器具备“视觉感知”能力，从像素数据中提取有意义的信息。6.1.1什么是计算机视觉计算机视觉的核心是模拟人类视觉的认知过程，具体包括以下几个层面：通过摄像头、传感器等设备获取图像或视频（将物理世界的光信号转化为数字信号）。感知对原始图像进行预处理（如去噪、缩放、增强），为后续分析做准备。处理提取图像中的关键特征（如边缘、形状、颜色、纹理，或更复杂的物体结构）。分析对特征进行解读，实现更高层次的认知，例如，识别物体（“这是一只猫”）、场景（“这是在室内”）、人脸（“这是张三”），理解行为（“画面中的人在跑步”）、关系（“猫在桌子上”），以及推断语义（“这张图表达的是开心的情绪”）等。理解6.1.2计算机视觉的发展历史计算机视觉经历了如下几个发展阶段：1960年代-2000年2000年-2012年2012年至今基于规则的“笨拙尝试”。1966年，MIT启动“夏季视觉项目”，试图让计算机描述图片内容，但受限于技术，仅能识别简单几何图形。这一时期的方法依赖人工规则，如通过“是否有四条腿+尾巴”识别“狗”，但遇到复杂图像（如狗卧着时腿被遮挡）就失效。早期探索手工设计特征的“瓶颈”。研究者提出SIFT、HOG等手工特征提取算法，结合支持向量机（SVM）等分类器，实现了一定的目标识别能力。但这些特征泛化能力差，例如，SIFT特征在光照变化大的场景中识别准确率大幅下降，难以满足实际需求。特征工程时代数据驱动的“飞跃”。2012年，AlexNet在ImageNet比赛中的突破性表现，标志着计算机视觉进入深度学习时代。此后，模型性能飞速提升。2015年，ResNet通过“残差连接”解决深层网络训练难题，层数达152层，错误率降至3.57%；2017年MaskR-CNN实现“目标检测+语义分割”一体化，能精准定位物体并标记像素；2020年VisionTransformer（ViT）将Transformer模型引入视觉领域，通过“注意力机制”聚焦关键区域，进一步提升复杂场景的识别能力。深度学习革命6.1.3计算机视觉与人类视觉的差异虽然计算机视觉在很多任务上（如人脸识别、目标检测）已达到甚至超越人类水平，但与人类视觉相比仍有明显局限：人类视觉具有强大的泛化能力（能快速识别从未见过的物体），而机器需要大量数据训练才能应对新场景。人类能结合上下文和常识理解图像（如“下雨时人们会打伞”），而机器对复杂语义的理解仍较薄弱。人类视觉对光照、角度、遮挡的鲁棒性更强，机器在极端条件下容易出错。02计算机视觉的典型应用场景Parttwo6.2计算机视觉的典型应用场景计算机视觉的典型应用场景包括：安防领域自动驾驶医疗影像工业质检消费电子典型应用场景6.2计算机视觉的典型应用场景安防领域——智能监控的“火眼金睛”人脸识别在人群中快速定位目标人物（如寻找失踪人员），准确率达99.9%。行为分析识别异常行为（如打架、攀爬、徘徊）、自动报警。交通监控抓拍闯红灯、违章停车，统计车流量，辅助交通调度。例如，深圳的“智慧交通”系统通过摄像头识别车牌，实时关联车辆信息，实现违章自动处理，效率比人工提升10倍。6.2计算机视觉的典型应用场景自动驾驶——车辆的“视觉神经”自动驾驶汽车的视觉系统由多个摄像头、激光雷达组成，负责识别交通标志（限速、禁止左转等）、检测行人和其他车辆并预测运动轨迹、判断车道线并保持车辆在车道内行驶。特斯拉的Autopilot系统通过8个摄像头和神经网络，能在复杂路况下实现自动变道、避让障碍物，是L2级自动驾驶的核心技术。6.2计算机视觉的典型应用场景医疗影像——辅助诊断的“第二双眼睛”在CT、MRI影像中识别肿瘤、出血点（如肺结节、脑溢血），比人工更早发现早期病变。疾病筛查通过显微镜图像判断细胞是否癌变（如乳腺癌筛查），减轻医生负担。病理分析实时识别手术区域的血管、神经，避免误伤。手术导航例如，谷歌的DeepMind开发的眼底影像分析模型，能从视网膜照片中预测糖尿病视网膜病变，准确率与眼科医生相当。6.2计算机视觉的典型应用场景工业质检——生产线上的“质量卫士”在制造业中，计算机视觉替代人工检测产品缺陷，主要包括：电子行业检查芯片的划痕、焊锡缺陷，精度达微米级。汽车行业识别车身喷漆的气泡、凹陷。食品行业检测包装破损、杂质（如饮料中的异物）。6.2计算机视觉的典型应用场景消费电子——提升体验的“视觉魔法”人像虚化、夜景增强、智能构图依赖视觉算法。手机拍照通过摄像头识别现实环境，叠加虚拟物体（如AR导航在实景中画路线）。AR/VR识别人手动作（如挥手、握拳），实现无接触操作（如智能电视换台）。手势控制03计算机视觉的核心任务Partthree6.3计算机视觉的核心任务计算机视觉的任务非常广泛，涵盖从底层图像处理到高层语义理解的全流程，其核心是解决“如何让机器从视觉数据中获取有效信息并做出决策”的问题，具体包括：图像分类与识别目标检测与定位图像分割目标跟踪姿态估计三维视觉图像生成与编辑视觉语义理解6.3计算机视觉的核心任务图像分类与识别将图像或图像区域划分到预定义的类别（如“猫”“狗”“汽车”）。研究重点是：如何提高分类精度（尤其在类别多、相似度高的场景）。增强对干扰因素（光照、角度、遮挡）的鲁棒性。03减少对标注数据的依赖（如小样本学习）。0102研究重点6.3计算机视觉的核心任务目标检测与定位在图像中同时实现“识别物体类别”和“定位物体位置”（通常用边界框标记），可处理单目标或多目标场景。研究重点是：研究重点是提高检测速度（满足实时性需求，如自动驾驶）。提升小目标/密集目标的检测效果。降低计算资源消耗。6.3计算机视觉的核心任务图像分割按语义将图像像素划分为不同区域（每个区域对应一个实体或概念），比目标检测更精细。主要包括：语义分割将所有像素分类（如“道路”“行人”“车辆”）。全景分割同时实现语义分割和实例分割。研究重点是提高分割精度（尤其边缘区域）、降低计算复杂度。实例分割区分同一类别的不同个体（如区分画面中3辆不同的汽车）。6.3计算机视觉的核心任务目标跟踪在视频序列中持续追踪特定目标的位置和状态（如运动轨迹、姿态变化）。研究重点是：解决目标遮挡、快速运动、外观变化（如光照、角度改变）导致的跟踪漂移问题。实现多目标跟踪（如同时追踪视频中所有行人）。6.3计算机视觉的核心任务姿态估计估计图像中人体、动物或物体的关键点位置及姿态（如人体的关节点、手指姿态，车辆的朝向）。研究重点是：研究重点提升关键点定位精度理遮挡和复杂姿态（如弯腰、交叉手臂）从单张图像扩展到视频序列的动态姿态估计6.3计算机视觉的核心任务三维视觉从二维图像/视频中恢复三维结构或信息，弥补二维视觉的局限性。主要包括：通过双目相机或多视角图像计算像素的深度信息。立体匹配构建物体或场景的三维模型（如文物数字化、建筑建模）。三维重建仅用单张图像推断深度（降低设备成本）。单目深度估计机器人或自动驾驶设备在未知环境中实时定位自身位置并构建周围地图。视觉SLAM（同步定位与地图构建）6.3计算机视觉的核心任务图像生成与编辑根据输入生成新图像或修改已有图像，属于“创造性”视觉任务。主要包括：如GAN（生成对抗网络）生成逼真人脸、AI绘画（文本生成图像）、图像超分辨率（将低清图转为高清图）。图像生成如目标移除（从图中删除某物体并填补背景）、风格迁移（将照片转为梵高画风）、图像修复（修复老照片的破损部分）。图像编辑6.3计算机视觉的核心任务视觉语义理解超越对物体的简单识别，理解图像中物体的关系、行为和高层语义。主要包括：视觉问答（VQA）根据图像回答自然语言问题（如“图中有几个人？”）。场景理解判断图像的场景类型（如“厨房”“街道”“海滩”）及场景中的语义关系（如“人在车内”“杯子在桌子上”）。图像描述用自然语言描述图像内容（如“一只猫在沙发上睡觉”）。行为识别：单击添加项目标题识别视频中人物的动作或行为（如“跑步”“握手”“打架”）。04计算机视觉面临的挑战Partfour6.4计算机视觉面临的挑战挑战复杂环境干扰数据偏见三维场景理解对抗攻击6.4计算机视觉面临的挑战复杂环境干扰——视觉的“拦路虎”光照变化同一物体在强光、弱光下呈现不同颜色，可能导致识别错误（如将阴影中的白色物体误判为黑色）。01遮挡问题目标被部分遮挡时（如人戴口罩、物体被遮挡一半），特征提取困难。02视角差异从正面、侧面看同一物体，形状差异大（如正面看车是长方形，侧面看是梯形），模型难以统一识别。036.4计算机视觉面临的挑战对抗攻击——微小改动引发“视觉幻觉”对图像进行人类难以察觉的微小修改，可导致计算机视觉模型误判。这种“对抗攻击”对自动驾驶等安全领域构成威胁，目前尚无彻底解决办法，只能通过增加对抗样本训练提高鲁棒性。6.4计算机视觉面临的挑战数据偏见——“看”到的世界不完整训练数据的偏见会导致模型歧视：若训练集中女性、有色人种样本少，人脸识别系统对这些群体的识别准确率低。样本不平衡用城市道路数据训练的自动驾驶视觉模型，在乡村泥泞路面可能无法识别路况。场景局限例如，2018年某AI公司的人脸识别系统对深肤色女性的错误率比浅肤色男性高34.7%，暴露了数据偏见问题。6.4计算机视觉面临的挑战三维场景理解——从“平面”到“立体”的难题现有模型擅长处理二维图像，但对三维空间的理解不足：距离判断从单张图片难以精准推断物体间的距离（如自动驾驶中判断与前车的车距）。无法像人类一样自然理解“近大远小”的透视关系，复杂场景中易误判。深