计算机视觉、模式识别、人工智能
一、计算机视觉DividMarr将计算机视觉系统的开发问题归纳为3个要素：
（1）数学理论
考虑数学计算层面的目标及可以引入的合理约束条件。
（2）描述和算法
重点解决计算机视觉中的输入输出的数据格式问题，并设计合理的算法实现其系统功能。
（3）硬件的合理使用
使用符合算法要求的硬件并考虑该硬件对所需要的算法和描述的反作用。
计算机视觉系统框架
1.1图像数据处理层
对图像像素或者频域进行相应处理，比如图像获取、传输、压缩、降噪、装换、存储、增强和复原等。
1.3图像识别获取层
图像识别是指利用计算机对图像进行处理、分析和理解，以识别不同模式的目标和对象的技术，主要包括图像匹配和机器学习。
图像匹配的研究内容大致集中在三个方面：特征空间；相似性度量；搜索策略
机器学习：是一门人工智能的科学，该领域的主要研究的是人工智能，特别是如何在经验学习中改善具体算法的性能。
研究如何使用计算机模拟或实现人类的学习活动。
二、模式识别广义上来说，模式是供模仿用的完美无缺的标本，通常，把通过对具体的个别事物进行观察所得的具有时间和空间分布的信息称之为模式；而把模式所属的类别或同一类中模式的总体称之为模式类。模式识别是对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。
模式识别主要集中在两个方面，一是研究生物（包括人）是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。
人工智能是专门研究用机器人模拟人的动作、感觉和思维过程与规律的一门科学，而模式识别则是利用计算机专门对物理量及其变化过程进行描述与分类，通常用来对图像、文字、相片以及声音等信息进行处理、分类和识别。
模式识别系统
模式识别方法：
1.统计模式识别
2.结构模式识别
3.模糊模式识别
4.人工神经网络模式识别
5.模板匹配模式识别
6.支持向量机的模式识别
三、人工智能美国斯坦福大学著名的人工智能研究中心尼尔逊教授这样定义人工智能“人工智能是关于知识的学科---怎样表示知识以及怎样获取知识并使用知识的学科”，另一名著名的美国MIT的winston教授认为“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作”。
人工智能的研究与应用：
问题求解
专家系统
机器学习
神经网络
模式识别
人工生命
未完待续。。。。。。。。。。。。。。。。。。。。
参考文献
[1]许志杰,王晶,刘颖,范九伦.计算机视觉核心技术现状与展望[J].西安邮电学院学报,2012,06:1-8.
[2]王道累,陈军,吴懋亮.计算机视觉原理分析及其应用[J].上海电力学院学报,2016,03:283-287.
[3]范会敏,王浩.模式识别方法概述[J].电子设计工程,2012,19:48-51.
计算机视觉补充：
计算机视觉与机器视觉
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。它的最终研究目标就是使计算机能象人那样通过视觉观察和理解世界，具有自主适应环境的能力。
机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
从学科分类上，二者都被认为是ArtificialIntelligence下属科目，不过计算机视觉偏软件，通过算法对图像进行识别分析，而机器视觉软硬件都包括(采集设备，光源，镜头，控制，机构，算法等)，指的是系统，更偏实际应用。简单的说，我们可以认为计算机视觉是研究“让机器怎么看”的科学，而机器视觉是研究“看了之后怎么用”的科学。
随着硬件、算法及大数据的不断发展，整个人工智能领域面临前所未有的规模增长，也促使了国外的许多创业公司被大公司收购。
5月，美国亚马逊公司收购了一支欧洲顶级机器视觉团队用于无人机领域研究。无独有偶，英特尔收购了俄罗斯计算机视觉公司Itseez，用于无人驾驶领域。ARM宣布以3.5亿美元收购英国嵌入式计算机视觉技术公司Apical。此前，Snapchat收购计算机视觉公司Seene;Pinterest收购视觉创业公司VisualGraph;Twitter收购基于深度学习的计算机视觉创业公司Madbits。
人工智能中的图像识别技术
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达伴随着图像处理技术的飞速发展，推动了图像识别技术的产生和发展，并逐渐成为人工智能领域中重要的组成部分，并广泛地运用于面部识别、指纹识别、医疗诊断等等领域中，发挥重要作用。
这也给学生思考课题给了更多的空间，今天小编就来浅谈热门课题方向中图像识别技术，希望给学生更多的启发！
图像识别技术概述
图像识别技术的含义
图像识别是人工智能的一个重要领域，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理。
在具体应用实践中，特别识别除了要弄清识别的对象具有是什么样的物体外，还应该明确其所在的的位置和姿态。当前图像识别已经被广泛应用到各个领域中，例如交通领域中的车牌号识别、交通标志识别、军事领域中的飞行物识别、地形勘察、安全领域中的指纹识别、人脸识别等。
图像识别技术的原理
图像识别原理主要是需处理具有一定复杂性的信息，处理技术并不是随意出现在计算机中，主要是根据一些医学研究人员的实践，结合计算机程序对相关内容模拟并予以实现。该技术的计算机实现与人类对图像识别的基本原理基本类似，在人类感觉及视觉等方面只是计算机不会受到任何因素的影响。人类不只是结合储存在脑海中的图像记忆进行识别，而是利用图像特征对其分类，再利用各类别特征识别出图片。计算机也采用同样的图像识别原理，采用对图像重要特征的分类和提取，并有效排除无用的多余特征，进而使图像识别得以实现。有时计算机对上述特征的提取比较明显，有时就比较普通，这将对计算机图像识别的效率产生较大影响。
图像识别技术的过程
由于图像识别技术的产生是基于人工智能的基础上，所以计算机图像识别的过程与人脑识别图像的过程大体一致，归纳起来，该过程主要包括4个步骤：
1是获取信息，主要是指将声音和光等信息通过传感器向电信号转换，也就是对识别对象的基本信息进行获取，并将其向计算机可识别的信息转换；
2是信息预处理，主要是指采用去噪、变换及平滑等操作对图像进行处理，基于此使图像的重要特点提高；
3是抽取及选择特征，主要是指在模式识别中，抽取及选择图像特征，概括而言就是识别图像具有种类多样的特点，如采用一定方式分离，就要识别图像的特征，获取特征也被称为特征抽取；
4是设计分类器及分类决策，其中设计分类器就是根据训练对识别规则进行制定，基于此识别规则能够得到特征的主要种类，进而使图像识别的不断提高辨识率，此后再通过识别特殊特征，最终实现对图像的评价和确认。
图像识别技术的常见形式
首先图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。
文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。
数字图像处理和识别的研究开始于1965年。数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。
物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。
随着计算机及信息技术的迅速发展，图像识别技术的应用逐渐扩大到诸多领域，尤其是在面部及指纹识别、卫星云图识别及临床医疗诊断等多个领域日益发挥着重要作用。通常图像识别技术主要是指采用计算机按照既定目标对捕获的系统前端图片进行处理，在日常生活中图像识别技术的应用也十分普遍，比如车牌捕捉、商品条码识别及手写识别等。随着该技术的逐渐发展并不断完善，未来将具有更加广泛的应用领域。
基于神经网络的图像识别技术
目前，基于神经网络的图像识别是一种比较新型的技术，是以传统图像识别方式为基础，有效融合神经网络算法。在此，神经网络主要是指人工神经网络，换而言之就是本文中的神经网络不是动物体的神经网络，而主要是指人类采用人工模拟动物神经网络方式的一种神经网络。针对基于神经网络的图像识别技术，目前，在基于神经网络的图像识别技术中，遗传算法有效结合BP神经网络是最经典的一种模型，该模型可在诸多领域中进行应用。诸如智能汽车监控中采用的拍照识别技术，若有汽车从该位置经过时，检测设备将产生相应的反应，检测设备启动图像采集装置，获取汽车正反面的特征图像，在对车牌字符进行识别的过程中，就采用了基于神经网络和模糊匹配的两类算法。
基于非线性降维的图像识别技术
采用计算机识别图像是基于高维形式的一种识别技术，不管原始图片的分辨率如何，该图片产生的数据通常都具有多维性特征，这在一定程度上增大了计算机识别的难度。为使计算机的图像识别性能更为高效，采用随图像降维方法就是一种最直接而有效的方法。一般情况下，可对降维划分为非线性降维与线性降维两类，比如最普遍的线性降维方式就是主成分分与线性奇异分析等，该方式的特点是简单、理解更容易等，再对数据集合采用线性降维方式处理求解的投影图像使该数据集合的低维最优。
在信息技术中作为近年来新兴的图像识别技术已广泛应用于众多应用领域，随着信息技术的日新月异，图像识别技术也得到十分迅猛的发展。在众多社会领域中，有效应用图像识别技术将使社会与经济价值得到充分发挥。
小编相信，通过本次的科普，很多同学都对图像识别有了更深的理解，希望可以拓宽同学们的思路，利用人工智能的图像识别技术解决更多问题，造福社会，造福世界！
下载1：OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。下载2：Python视觉实战项目52讲在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。下载3：OpenCV实战项目20讲在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。交流群欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~