人工智能的發展

自1956年"人工智能"這個概念在第一次人工智能研討會上被麥肯錫提出以來，人工智能已經走過了63個春秋，在這期間，人工智能經歷過繁榮的黃金時代，也經歷過低谷。直到1997年，電腦深藍戰勝國際象棋冠軍卡斯帕羅夫，成為首個在標準比賽時限內擊敗國際象棋世界冠軍的電腦系統，以此為時間點，人工智能迎來了真正的春天。

深藍機器人

現如今人工智能領域真正的明星是深度學習，深度學習由Hinton提出，但很長時間以來沒有得到足夠多的重視，2012年Hinton和他的學生Alex所設計的卷積神經網絡AlexNet在ImageNet競賽中獲得冠軍，從此開創了深度神經網絡空前的高潮。

AlexNet

2016年3月15日，Google人工智能AlphaGo與圍棋世界冠軍李世石的人機大戰最后一場落下帷幕。經過5場的搏殺，最終李世石與AlphaGo總比分定格在1：4。這一次人機大戰讓人工智能正式被世人所熟知，從這開始，人工智能開始了新一輪的爆發。

AlphaGo

計算機視覺

在過去的幾年里，深度學習技術被應用到了數以百計的實際問題中。諸多案例也已經證明，深度學習能讓工作比之前做得更好。深度學習廣泛應用于自然語言處理，人機對話以及計算機視覺。尤其在計算機視覺領域，深度學習技術被廣泛應用。在技術層面上，計算機視覺的應用在整個人工智能應用領域中占比34.9％，已成為各行業發展的重要支撐。

計算機視覺

計算機視覺我們可以簡單的理解為通過算法模型來給機器裝上眼睛，就像我們人類一樣可以理解圖像，對圖像數據可以進行識別和分類處理，讓計算機能夠感知周圍的環境。不難想象，具有視覺的機器的應用前景能有多么地寬廣。

計算機視覺發展的四個階段

計算機視覺經過多年的發展，總體來說主要經歷了四個階段。即：馬爾計算機視覺、主動和目的視覺、多層幾何與分層三維重建和基于學習的視覺。

其中基于學習的視覺技術就是當下最火熱的在深度學習支持下的計算機視覺技術。隨著數據的增長以及計算能力的提高，深度神經網絡中數據缺少，難以訓練的問題，在逐步解決，深度學習技術在圖片分類、人臉識別等領域已經具有極大的優勢。可以說目前來看，深度學習中發展最快且最成熟的領域就是計算機視覺。

深度學習模型卷積神經網絡（CNN），是一類包含計算且具有深度結構的，它受到動物視覺皮層同時使用簡單和復雜的腦細胞處理圖像的啟發，卷積神經網絡是利用多層神經元疊加來識別和區別不同的模式，是深度學習的代表算法之一。

卷積神經網絡

卷積神經網絡模型想比于傳統的神經網絡來說，它擁有局部連接和權值共享的特性，使得它能夠最大限度的解決模型參數過多，難以訓練的問題，卷積神經網絡模型廣泛應用于計算機視覺領域，是核心算法模型之一。

計算機視覺的應用

目前，計算機視覺在圖像識別和人臉識別兩大領域都已經取得了較高的準確率，在其它方面，比如人體行為檢測，無人駕駛等等也有了很大的發展。計算機視覺技術已經得到了廣泛的應用，并逐漸開始改變世界。可以預料到，計算機視覺已經到了一個爆發的時代，正在帶動全球新一輪的市場熱潮。

人臉識別是人工智能視覺與圖像領域中最熱門的應用。現如今很多智能手機或者安檢口都配備了人臉識別功能，只要人臉經過攝像頭，就會被識別出自身的身份，然后與數據庫信息進行匹配從而做出相應的決策。只需要刷臉就可以完成一切信息的認證，該技術已具備大規模商用的條件。

人臉識別

目標檢測是指利用圖像處理的理論和方法，檢測出圖像中存在的目標對象，確定這些目標對象的類別，并標定出目標對象在圖像中的位置。目標檢測是目標識別的前提，只有檢測到目標才能對目標進行識別

目標檢測

文字識別，通過攝像頭掃描，可以將圖片中的文字轉化為文本文字，快速而準確的識別圖片中的所有文字信息，返回文字框位置與文字內容，這個也是計算機視覺最快被應用的領域之一。

文字識別

自動駕駛，隨著汽車的普及，汽車已經成為人工智能技術非常大的應用投放方向，汽車的駕駛輔助的功能及應用越來越多，這些應用多半是基于計算機視覺和圖像處理技術來實現。無人駕駛技術已經不是遙不可及的目標，現如今有眾多初創企業已經在朝著L4級別的自動駕駛技術發展，相信在不愿的未來，汽車將會成為真正意義的代步工具。

自動駕駛

計算機視覺的未來

計算機視覺需要依靠強大的計算能力和大量標注數據的支持，雖然現在是大數據時代，但從數據的角度來看，在計算機視覺領域，數據還往往不夠。很多計算機視覺模型可能在某一領域效果出色，但是當其應用到另外一個領域的時候往往效果不盡如人意。但這并不意味著計算機視覺不行，隨著人工智能的發展以及數據的積累，未來，計算機視覺可能會出現真正像人一樣可以同時完成多項任務的能力，不同領域之間可以自由切換，達到真正的智能視覺。