機器視覺VS計算機視覺

機器視覺VS計算機視覺：

一、機器視覺與計算機視覺的區別與聯系

          在很多情況下，我們誤認為機器視覺就是計算機視覺，其實這是不準確的。何為機器視覺？何為計算機視覺？首先我們從定義著手，機器視覺其實就是用機器代替人眼進行測量和判斷。計算機視覺是利用計算機和其輔助設備來模擬人的視覺功能，實現對客觀世界的三維場景的感知、識別和理解。機器視覺和計算機視覺不僅是兩個不同的概念，而且側重點也不同。機器視覺側重工程的應用，強調實時性、高精度和高速度；而計算機視覺側重理論算法的研究，強調理論，由于理論的研究發展速度往往快于實踐應用，也就是說計算機視覺的發展速度要遠遠超過了其時間生產的應用速度，因此計算機視覺的很多技術目前還難以應用到機器視覺上。但是二者還是共用一套理論系統，只是發展的方向不同而已，一個側重實際應用，一個側重理論算法的研究，不能說誰替代誰，各有千秋。

二、近年來視覺發展的狀況和遇到的瓶頸

    1、算法瓶頸。機器視覺研究對象主要是圖像和視頻，我們所采集的圖像和視頻，其特點是大數據、冗余信息多、特征空間維度高，同時考慮到真正的機器視覺面對的對象和問題的多樣性，單一的簡單特征提取算法（如顏色、空間朝向與頻率、邊界形狀等等）難以滿足算法對普適性的要求，因此在設計普適性的特征提取算法時對計算能力和存儲速度的要求是十分巨大的，這就造成了開發成本的大幅度提高。
    2、場景認知問題。如何讓機器認知這個世界？這一問題目前沒有成熟的答案，也是目前科學家一直在研究的熱點方向。早期的人工智能理論發展經歷了符號主義學派、行為主義學派、連接主義學派等一系列的發展但都沒有找到令人滿意的答案，目前較新的思想認為應該從分析、了解和模擬人類大腦的信息處理功能去構建智能機器視覺系統，但神經科學的發展目前只能做到了解和模擬大腦的一個局部，而不是整體（當然計算能力限制也是原因之一）。事實上，我們對人是如何對一個目標或場景進行認知的這一問題仍停留在定性描述而非定量描述上。

3、準確性問題。機器視覺系統經常被人詬病的問題之一就是準確性。以十年前如火如荼的人臉識別算法為例，盡管一系列看似突出的算法不斷問世，但目前為止那些算法都是在指定的樣本庫中進行的，而在非指定大規模樣本庫下進行人臉識別的準確率仍然無法滿足實際應用的需求，因此無法取代指紋或虹膜等近距接觸式生物特征識別方法。這一問題的出現并非偶然。因為目標越精細，越復雜，信息越大，則其模糊性和不確定性也越強。人類之所以能夠較好的對人臉進行識別，其實也是以的一定的準確性為代價的。而機器視覺在做的事情一方面想要借鑒人腦或人眼系統的靈感去處理復雜而龐大的信息流，另一方面又想摒除人腦在模式識別方面存在的精確性不足的缺陷。這顯然是一種一廂情愿的做法。

    4、魯棒性問題。相比與其他測量手段，視覺的比較大優點就是可以快速獲得三維信息，一張或幾張照片就可以重建出被測物體的三維特征，進而實現測量。但正如我們所知道的，只要測量條件、環境、被測物表面特性等改變，有時甚至時稍加改變，結果則大不一樣，測量重復性和精度更無從談起。這也是目前機器視覺測量尺寸、位姿等參數時比較突出的問題，特別是在一些強光干擾、溫度場變化、光照條件變化的應用場合這個問題尤為突出。