简介自从成立以来，计算机视觉（ComputerVision）一直非常快速，并在各个领域得到了广泛的应用，例如我们每天都熟悉和使用的基于移动电话摄像头的熟悉的面部识别。此外，它还可以协助自动驾驶领域的汽车。识别交通信号灯，标志和行人；协助制造业中的工业机器人监督和指导手动操作。计算机视觉的主要目的是使计算机能够像人类甚至比人类更好地看到和识别世界。计算机视觉通常使用诸如C ++++，Python和MATLAB之类的编程语言，这是增强现实（AR）的一项重要技术。当前主流的计算机视觉工具包括OpenCV，Tensorflow，Gpu，YOLO，Keras等。计算机视觉实际上是一个复杂多样的跨领域，包括许多概念，包括数字信号处理，神经科学，图像处理，模式识别，机器学习（ ML），机器人技术，人工智能（AI）等领域。在本文中，编辑者将专门介绍计算机视觉的工作流程。什么是计算机视觉？简而言之，计算机视觉是允许计算机理解和标记图像内容的技术领域。例如，看下面的图片：对于人类，您很难向从未穿过衣服的原始人解释什么是裙子或什么鞋子。计算机视觉也是如此。如果没有相关输入，它将无法理解上面的图片。因此，我们需要收集和标记关于衣服，鞋子和包的大量图片，并将它们输入到计算机中以“讲述”图像。这些照片是什么。经过不断的学习和培训，计算机将识别出哪一件衣服。 ，这是鞋子，是包包。计算机视觉的主要应用是众多的。当前计算机视觉的应用领域太多了，无法一一列举。我将挑选五个有代表性的应用程序：对象和行为识别，自动驾驶汽车，医学图像分析和诊断，图像标记，面部识别，计算机视觉工作流程计算机视觉工作流程实际上是大多数计算机视觉应用程序将要经历的一系列步骤。 。许多视觉应用程序都从获取图像和数据开始，然后处理数据，执行一些分析和识别步骤，最后执行一个操作：计算机视觉工作流以人脸识别为例，也主要遵循计算机视觉工作流：识别工作流程。我们可以看到，大多数计算机视觉技术应用程序实际上都是从数据预处理开始的，这也是机器学习的关键。数据标准化所谓的预处理图像是标准化输入图像数据，以便后续工作流程可以顺利进行。例如，假设我们创建了一个简单的聚类算法来将红玫瑰与其他花朵区分开：如果给定图像中有足够的红色像素（超过300个红色像素），我们设计该算法对红色像素的数量进行计数。像一朵红玫瑰。 （在此示例中，我们仅提取了颜色特征）要注意的另一件事是，输入图像的大小和剪切方法将影响算法的输出，因此数据预处理非常重要！作为数据，图像中的每个像素都是我们可以更改的值。例如，我们可以将像素乘以标量来更改图像的亮度，或者可以将每个像素值向右移动以更改图像饱和度。度等。将图像视为数字网格是许多图像处理技术的基础。一般来说，颜色和形状的更改是通过数学运算通过图像的逐像素转换来完成的。训练神经网络为了训练神经网络，我们需要提供一组标记图像数据，然后将这些输入图像与输出标签之间的差异或计算机预测的识别测量值进行比较，以检测图像的准确性。算法模型。基于神经网络的深度学习将监视其造成的错误（错误），并通过校正其发现的图像数据之间的模式和差异来进行迭代和拟合。其中，梯度下降法是一种减少神经网络误差的数学方法。卷积神经网络是一种特殊类型的神经网络，通常在计算机视觉应用中使用。在我们之前的tweets〜X = Input中有详细描述。 a =激活函数； W =卷积神经网络中的权重； J =损失函数；阿尔法=学习率； y =地面真实值； y =预测； k =迭代次数