一、引言

我们在不知不觉中感受到计算机视觉给予的便利，如人脸识别。如果没有深刻而持久的研究，在今天看起来习以为常的事情是无法实现的。因此，站在巨人的肩膀上谈计算机视觉的未来走向，可以很明确地说，技术的产生本身就是为人民服务的，如果有更好的技术替代，新技术的产生必然会造成旧技术走向衰落。入行计算机视觉不久，看过不少技术大牛的博客，受益匪浅，今有大牛谈及技术和产品的关系即是硬件之于软件的关系，个人表示赞同。当两者无法以相匹配的速度发展时，便是行业瓶颈的到来。

二、计算机视觉的基本任务

计算机视觉主要解决分类、分割、定位、检测四大基本任务。

图像分类：图像分类就是就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。目前图像分类中的难点有以下几个方面：

1.大小变化（Scale variation）：物体可视的大小通常会发生变化，比如形变等等，以及图像中物体尺度的变化。

2.视角变化（viewpoint variation）：在同一个物体中，摄像机可以从多个角度进行图像获取。

3.遮挡（Occlusion）：目标物体可能被其他物体遮盖。有时候只有物体边缘部分是可见的。

4.类内差异（Intra-class variation）：一类物体的个体之间的外形差异很大，比如椅子。这一类物体有许多不同的对象，每个都有自己的外形。

5.光照条件（Illumination conditions）：在像素层面上，光照的影响非常大。

6.背景干扰（Background clutter）：物体可能混入背景之中，使之难以被辨认。

图像分割：图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。

目标定位：如果说图像识别解决的是what，那么，物体定位解决的则是where的问题。利用计算视觉技术找到图像中某一目标物体在图像中的位置，即定位。

目标检测：在目标定位中，通常只有一个或固定数目的目标，而目标检测更一般化，其图像中出现的目标种类和数目都不定。因此，目标检测是比目标定位更具挑战性的任务。

三、计算机视觉中的创新点

1. 人脸识别中目标物被遮挡或部分遮挡问题（当前疫情常态化戴口罩的识别问题）

2. 灯光补偿和过度曝光导致目标物识别困难的问题

3. 高动态环境下的目标计数、目标追踪等问题

诸如此类的问题还有很多，从算法和性能层面还有待突破。

四、现状分析

就目前计算机视觉的发展现状分析，学术界对比工业界已是相形见绌。

从研究者的角度来说，学术研究过于依赖大数据的训练，而训练数据对算力要求很高，进而引出计算机硬件成本过高的问题，硬件和软件是相辅相成的关系。从应用层面来说，目前技术落地环境较为单一，适用场景限制了产品的研发和推广应用。人工智能的兴起，使得多数人都在讨论AI技术如何落地，我们可以预言的是，计算机视觉在未来与机器人结合，赋予机器人“眼睛”，这里所谈及的机器人可以是服务机器人、特种机器人、无人驾驶、AR等等。