机器视觉的发展历史

机器视觉是指利用相机、摄像机等传感器，配合机器视觉算法赋予智能设备人眼的功能，从而进行物体的识别、检测、测量等功能。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉仅仅算是计算机视觉的一个微小分支，但却已经是一个非常新颖并且发展十分迅速的研究领域。机器视觉自起步发展到现在，已有三十多年的发展历史。机器视觉作为一种应用系统，随着工业自动化的发展而逐渐完善。

由于机器视觉是一种非接触的测量方式，在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。同时，在大批量重复性工业生产过程中，用机器视觉检测方法可以大大提高生产的效率和自动化程度。到了21世纪，机器视觉技术已经大规模地应用于多个领域。按照应用的领域与细分技术的特点，机器视觉进一步可以分为工业视觉、计算机视觉两类，相应地，其应用领域可以划分为智能制造和智能生活两类，比如工业探伤、自动焊接、医学诊断、跟踪报警、移动机器人、指纹识别、模拟战场、智能交通、医疗、无人机与无人驾驶、智能家居等等。现在，机器视觉仍然是一个非常活跃的研究领域，与之相关的学科涉及：图像处理、计算机图形学、模式识别、人工智能、神经网络等。目前机器视觉在工业上的应用主要需求有：测量、外观检测、条码、字符识别、定位等等。

人们从20世纪50年代开始研究二维图像的统计模式识别，1965年，L.R.Roberts通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述，其研究工作开创了以理解三维场景为目的的三维机器视觉的研究。人们对三维结构进行了深入的研究。研究的范围从边缘、角点等待征提取，到线条、平面、曲面等几何要素分析，—直到图像明暗、纹理、运动以及成像几何等，并建立了各种数据结构和推理规则。

70年代中，MIT人工智能实验室正式开设“机器视觉”课程，1977 年，David Marr提出了不同于“积木世界”分析方法的计算机视觉(computational vision)理论——也就是著名的Marr视觉理论，该理论在80 年代成为机器视觉研究领域中的一个十分重要的理论框架。80年代开始，开始了全球性的研究热潮，不仅出现了基于感知特征群的物体识别理论框架、主动视觉理论框架、视觉集成理论框架等概念，而且产生了很多新的研究方法和理论，无论是对一般二维信息的处理，还是针对三维图像的模型及算法研究都有了很大的提高。机器视觉获得了蓬勃发展，新概念、新理论不断涌现；90年代，机器视觉理论得到进一步的发展，同时开始在工业领域得到应用。同时，机器视觉理论在多视几何领域的应用得到快速的发展。

机器视觉系统的工作原理是：通过机器视觉产品（即图像摄取装置）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。计算机视觉关注的目标在于充分理解电磁波——主要是可见光与红外线部分——遇到物体表面被反射所形成的图像，而这一过程便是基于光学物理和固态物理，解析图像或视频所表示的真实世界。

机器视觉的经典问题是判定一组图像数据中是否包含某个特定的物体，图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到目前为止，还没有某个单一的方法能够广泛的对各种情况进行判定：在任意环境中识别任意物体。现有技术能够也只能够很好地解决特定目标的识别，比如简单几何图形识别，人脸识别，印刷或手写文件识别或者车辆识别。而且这些识别需要在特定的环境中，具有指定的光照，背景和目标姿态要求。

在深度学习算法出来之前，对于视觉算法来说，大致可以分为以下5个步骤：特征感知，图像预处理，特征提取，特征筛选，推理预测与识别。早期的机器学习中，占优势的统计机器学习群体中，对特征是不大关心的。特征或者视觉特征，就是把这些数值给综合起来用统计或非统计的形式，把想识别或检测的部件或者整体对象表现出来。深度学习的流行之前，大部分的设计图像特征就是基于此，即把一个区域内的像素级别的信息综合表现出来，利于后面的分类学习。手工设计特征需要大量的经验，需要对这个领域和数据特别了解，并且设计出来特征还需要大量的调试工作。另一个难点在于，机器视觉工程师不只需要手工设计特征，还要在此基础上有一个比较合适的分类器算法。同时设计特征然后选择一个分类器，这两者合并达到最优的效果，几乎是不可能完成的任务。

于是，学术界开始研究开发不需手动设计特征、不挑选分类器的机器视觉系统，希望机器视觉系统同时学习特征和分类器，即输入某一个模型的时候，输入只是图片，输出就是它自己的标签。随着深度学习迅猛发展，卷积神经网络（CNN）的出现使得该设想得以实现，基于深度学习的计算机视觉研究发展迅速。LeNet在1998年提出了深度学习网络的最初原型LeNet，输入图像是32×32的灰度图，第一层经过了一组卷积和，生成了6个28X28的feature map，然后经过一个池化层，得到得到6个14X14的feature map，然后再经过一个卷积层，生成了16个10X10的卷积层，再经过池化层生成16个5×5的feature map。

LeNet

从最后16个5X5的feature map开始，经过了3个全连接层，达到最后的输出，输出就是标签空间的输出。由于设计的是只要对0到9进行识别，所以输出空间是10，如果要对10个数字再加上26个大小字母进行识别的话，输出空间就是62。62维向量里，如果某一个维度上的值最大，它对应的那个字母和数字就是就是预测结果。

2012年，Hinton课题组的CNN网络AlexNet在ImageNet图像识别比赛，一举夺得冠军，2014年牛津大学几何视觉组的VGG网络在ImageNet图像识别比赛中夺冠，随后GoogLeNet、ResNet分别在2014、2015年ImageNet图像识别夺冠， 2016年欧洲计算机视觉大会上，南京大学魏秀参的DAN+模型在短视频表象性格分析竞赛（Apparent personality analysis）中夺冠，基于卷积神经网络的机器视觉已充分兑现了其发展潜力。