人工智能通识课件 第6章 计算机视觉

选用《信息技术课程标准（2021年版）》新型活页式教材我们毕业啦其实是答辩的标题地方

计算机视觉的发展及应用第6章计算机视觉计算机视觉定义、技能概述及应用

教学重点：1.计算机视觉的基本概念。2.计算机视觉从诞生至今的主要发展阶段及关键技术突破。3.计算机视觉的相关技术。4.计算机视觉的相关应用。课前答题1。。。。。2。。。。。3。。。。。4。。。。。课前答题1。。。。。2。。。。。3。。。。。4。。。。。教学重点：1.计算机视觉设计多个方面的技术，需要重点讲解。2.技术应用方面需更多关注。走进计算机视觉的奇妙世界计算机视觉概念1、计算机视觉定义计算技视觉就是一门让计算机能够感知周围场景的学科，通过处理各种电子设备采集到的图片或视频从而获取现实场景中的三维信息，这些技术本质上是对生物视觉的一种模拟，就是让计算机像各种拥有视觉的生物一样，通过算法“看”清周围场景2.计算机视觉的原理计算机视觉就类似于人类的视觉，各种成像系统代替视觉器官作为输入信息，计算机的算法相当于大脑去处理输入的信息。计算机视觉发展的最终理想状态是计算机能利用视觉去观察并理解世界，并能根据环境的变化自主的调整状态，也就是我们常说的适应环境的能力。这个目标还需要经历长期的坚持和努力。计算机视觉核心概念3.计算机视觉现状计算机视觉领域的突出特点是其多样性与不完善性。这一领域的先驱可追溯到更早的时候，但是直到20世纪70年代后期，当计算机的性能提高到足以处理诸如图像这样的大规模数据时，计算机视觉才得到了正式的关注和发展。然而这些发展往往起源于其他不同领域的需要，因而何谓“计算机视觉问题”始终没有得到正式定义，很自然地，“计算机视觉问题”应当被如何解决也没有成型的公式。计算机视觉发展历程起源1959年，神经生理学家通过向猫展示图像，观察猫的反应，首次发现了视觉初级皮层神经元对于移动边缘刺激敏感，也就是说对于给出的图像，猫会先对简单的形状有反应，这为后期计算机视觉的研究指明了发展方向。在同年，第一台数字图像扫描仪也诞生了，可以将图片转化为灰度值，从而被计算机所识别，使图像数值化成为了可能。计算机视觉发展历程1965年，在《三维固体的机器感知》一书中，作者对积木世界探究给后续三维信息的研究奠定了基础。1982年，神经系统证实了视觉分层工作原理，并推出了使机器能够检测边缘、角落、曲线和类似的基本形状的算法。1997年，伯克利教授发表了相关论文，在实验过程中他试图解决感性分组的问题。研究人员试图让机器使用图论将图像分割成合理的部分。2001年，第一个实时工作的人脸检测框架诞生。2006年，利用空间金字塔进行图像匹配、识别、分类的算法出现。2017-2018年深度学习框架的开发发展到了成熟期。近年来，国内外巨头纷纷布局计算机视觉领域，开设计算机视觉研究实验室。以计算机视觉新系统和技术赋能原有的业务，开拓战场计算机视觉技术常见技术问题：①识别：图像处理和机器视觉所共有的经典问题便是判定一组图像数据中是否包含某个特定的物体，、图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。计算机视觉技术常见技术问题：②运动基于序列图像的对物体运动的监测包含多种类型，诸如：自体运动：监测摄像机的三维刚性运动。图像跟踪：跟踪运动的物体。计算机视觉系统的功能1.图像获取一幅数字图像是由一个或多个图像感知器产生，这里的感知器可以是各种光敏摄像机，包括遥感设备，X射线断层摄影仪，雷达，超声波接收器等。取决于不同的感知器，产生的图片可以是普通的二维图像，三维图组或者一个图像序列。计算机视觉系统的功能2.

预处理在对图像实施具体的计算机视觉方法来提取某种特定的信息前，一种或一些预处理往往被采用来使图像满足后继方法的要求。例如：二次取样保证图像坐标的正确；平滑去噪来滤除感知器引入的设备噪声；提高对比度来保证实现相关信息可以被检测到；调整尺度空间使图像结构适合局部应用。计算机视觉系统的功能3.

特征提取从图像中提取各种复杂度的特征。例如：线，边缘提取；局部化的特征点检测如边角检测，斑点检测；更复杂的特征可能与图像中的纹理形状或运动有关。4.检测分割在图像处理过程中，有时会需要对图像进行分割来提取有价值的用于后继处理的部分，例如筛选特征点。技术的应用计算机视觉应用场景①控制工程，比如，一个工业机器人；②导航，例如，通过自主汽车或移动机器人；③检测的事件，如，对视频监控和人数统计

；④，例如，对于图像和图像序列的索引数据库；⑤造型对象或环境，如，医学图像分析系统或地形模型；⑥相互作用，例如，当输入到一个装置，用于计算机人的交互；⑦自动检测，例如，在制造业的应用程序。⑧自动汽车驾驶⑨面部识别。萝卜快跑任务目标(1)了解自动驾驶技术的基本概念和SAE分级标准；(2)掌握百度Apollo平台在自动驾驶领域的发展历程和主要成就；(3)理解萝卜快跑作为自动驾驶出行服务平台的功能和运营模式；(4)学习自动驾驶车辆如何通过传感器和算法实现环境感知、数据解析、行为预测和决策执行；(5)认识自动驾驶技术未来的发展趋势、潜在经济效益及所面临的社会和法规挑战；(6)勇于承担责任，树立正确的人生观、价值观萝卜快跑萝卜快跑任务要求(1)研究自动驾驶技术的发展现状，包括技术成熟度、成本和法规发展情况。(2)分析百度Apollo平台在自动驾驶技术领域的合作网络和发展策略。(3)评估萝卜快跑服务平台的运营效率、用户体验和市场潜力。(4)探索自动驾驶车辆如何优化传感器数据融合和环境模型构建。(5)参与制定适应自动驾驶技术发展的法律法规，解决安全、责任、隐私等问题。萝卜快跑任务实施①观察周围环境：自动驾驶车辆装备了多种传感器，它们的作用类似于人类的眼睛和耳朵。摄像头充当眼睛的角色，能够“看见”周围的环境，包括其他车辆、行人、交通标志等。激光雷达（LiDAR）则扮演耳朵的角色，通过“听”来感知周围环境，从而获得更精确的信息。除了摄像头和激光雷达，自动驾驶车辆还配备了毫米波雷达、超声波传感器等多种传感器，以确保能够全面收集环境信息萝卜快跑任务实施②解析环境数据车辆的计算机系统能够处理传感器所收集的数据，这与大脑处理视觉和听觉信息的方式相似。通过算法对这些数据进行分析，系统能够理解其所处的环境。自动驾驶车辆必须整合来自多种传感器的数据，以构建一个更为精确的环境模型。③预测行人与车辆动向在自动驾驶领域，深度学习技术扮演着关键角色，它使车辆能够识别道路、行人、其他车辆等目标，并预测它们的行为。萝卜快跑任务实施④执行决策过程正如人们决定何时穿越马路一样，自动驾驶车辆的系统会依据周围环境的信息来做出相应的驾驶决策。

任务目标(1)掌握人脸识别技术的基本概念、发展历程及其在不同阶段的关键技术。(2)理解图像预处理、人脸检测、对齐与归一化、特征提取与匹配以及活体检测等关键技术的工作原理和应用。(3)分析人脸识别技术在智慧城市建设、医疗健康、教育等领域的应用实例及其对社会的影响。(4)认识人脸识别技术未来发展趋势，包括多模态融合、实时处理和3D人脸识别等。(5)评估人脸识别技术面临的数据安全、隐私保护、复杂环境下的鲁棒性以及法律法规等挑战。(6)增强网络安全意识，养成良好上网习惯人脸识别

人脸识别

任务要求(1)研究人脸识别技术的发展历史，总结各阶段的技术特点和创新点。(2)实践图像预处理、人脸检测、对齐与归一化、特征提取与匹配以及活体检测等关键技术，优化识别流程和性能;(3)探索人脸识别技术在智慧城市、医疗健康、教育等领域具体应用，提出解决方案并评估其效果。(4)跟进人脸识别技术的最新研究动态，预测未来发展趋势并探讨其在不同领域的应用潜力。(5)针对人脸识别技术面临的数据安全、隐私保护等挑战，制定相应的技术和管理措施，确保技术的合规性和安全性。人脸识别

任务实施人脸识别的概述人脸识别技术，作为一种尖端的生物识别手段，主要通过解析人脸的独特特征来实现个人身份的确认。以下是对其发展历程的详细阐述，辅以具体示例，以便于理解其在不同阶段的应用与进步。早期发展阶段（1960年代至1980年代）自动化识别阶段（1990年代至2000年代）深度学习阶段（2010年代至今）自2010年代起，深度学习技术的崛起极大地推动了人脸识别技术的飞跃。卷积神经网络（CNN）成为主流的特征提取方法，大幅提高了识别的精确度。人脸识别

人脸识别人脸识别的关键技术①图像预处理图像预处理是在进行人脸检测与识别之前，对原始图像执行的一系列处理步骤，目的是为了增强后续流程的精确度和效率。其核心技术包括灰度化处理，即将彩色图像转换为灰度图像，这样做可以减少数据量并简化处理流程。去噪，旨在消除图像中的噪声成分，以提升图像的清晰度；同时，通过调整图像的亮度和对比度，可以进一步突出面部特征图，显示调整“对比度”后图片的变化。

人脸识别变化。3.任务实施人脸识别的关键技术②人脸检测人脸检测涉及识别图像中是否存在人脸，并精确地定位人脸的位置与尺寸。它是人脸识别流程的初始阶段，其精确度将直接影响后续步骤的成效。③对齐与归一化对齐和归一化技术旨在将识别到的人脸图像调整至一个标准姿态，并进行标准化处理，以便于后续的特征提取和识别过程。右侧图展示了常用的旋转角度和对齐方式。这一过程涉及的关键技术包括关键点检测，它通过识别人脸上的关键部位（例如眼睛、鼻子、嘴巴等）来确定人脸的方向和位置；仿射变换，利用仿射变换技术将人脸图像调整到一个统一的姿态，确保不同人脸的特征能够正确对齐；以及尺寸归一化，它将人脸图像缩放至一个固定的尺寸，以便于进行统一处理。这些步骤对于提升照片编辑软件中照片的美观度以及视频监控系统中识别的准确性具有显著作用。

人脸识别变化。任务实施人脸识别的关键技术④特征提取与匹配特征提取涉及从识别出的人脸图像中提取能够唯一代表个体