4.1 计算机视觉简介

什么是 CV？

计算机视觉（CV）是人工智能的一个领域，它使计算机能够解释和理解来自世界的视觉信息，例如图像和视频。借助深度学习、模式识别等技术，计算机视觉系统可以高精度地识别物体、检测人脸、跟踪运动并分析场景。它被广泛应用于自动驾驶、医学影像、安防监控、工业检测和增强现实等场景，帮助机器基于自己“看到”的内容做出决策。

学习目标

本节结束时，你应该能够：

• 解释什么是计算机视觉
• 描述该领域试图解决的主要问题
• 识别主要的应用领域
• 理解图像理解与视频理解的区别
• 了解课程其余部分的组织方式

为什么计算机视觉很难

人类之所以能毫不费力地完成许多视觉任务，是因为我们在世界中拥有多年的具身体验。计算机则不具备这一点。现实世界中的视觉问题之所以困难，是因为：

• 光照会变化
• 物体从不同视角看起来不同
• 场景杂乱
• 一些物体很小、模糊或被遮挡
• 相机会引入噪声和失真
• 视频还增加了时间这一维度

正因如此，计算机视觉已经从简单的图像处理演进到深度学习和多模态系统。

计算机视觉的主要任务

该领域可以划分为几大主要任务：

图像与视频

图像捕捉单个瞬间。视频则是随时间演变的帧序列。

这一区别很重要，因为有些任务用单张图像就能解决，而另一些任务则需要时间推理：

• 图像分类作用于单帧
• 物体跟踪需要跨帧的连续性
• 事件分析依赖于运动和时间

标准视觉流水线

尽管实现方式各不相同，但许多计算机视觉系统遵循共同的逻辑：

1. 采集数据
2. 预处理数据
3. 运行算法或模型
4. 应用后处理与决策逻辑
5. 输出结果或触发动作

常见误解

• “计算机视觉就是物体检测。”
  • 检测很重要，但该领域的范围要广得多。
• “模型能跑通一张图像，就可以部署了。”
  • 实际部署需要稳定的输入、延迟控制和故障处理。
• “视频不过是许多张图像，所以并不会难太多。”
  • 视频引入了时间、连续性和系统约束。

练习 / 思考

1. 选择三种你在日常生活中使用的产品或系统，找出其中可能涉及计算机视觉的地方。
2. 对于以下每一项，判断它主要属于分类、检测、分割、跟踪还是事件理解任务：
   • 手机上的人脸解锁
   • 停车场中的车辆计数
   • 读取收据
   • 检测工人是否佩戴安全帽
3. 写一段简短的文字，解释为什么视频理解通常比图像理解更难。

总结

计算机视觉的核心在于把原始的视觉数据转化为有用的理解。它涵盖众多任务，从分类、检测到 OCR 和事件推理。

建议的下一步

继续学习 4.2 计算机如何表示图像。

参考资料

• OpenCV 文档
• 计算机视觉 - 维基百科