计算机视觉历史背景-CS231N笔记 计算机视觉.pdf

计算机视觉是人工智能的一个重要分支，其历史可以追溯到20世纪60年代。该领域的起源与生物视觉的研究紧密相关，尤其是Hubel & Wiesel的工作，他们揭示了哺乳动物大脑初级视觉皮层对视觉刺激的处理机制，特别是对边缘检测的敏感性。这种理解启发了计算机视觉领域的早期研究，如Block World，它简化了视觉世界为基本几何形状，目的是让计算机能识别和重建这些形状。 1960年代末至1970年代，David Marr提出了一套理论，将视觉信息处理分为三个阶段：原始草图、2.5维草图和3D模型构建。这一理论强调了从简单的边缘和线条到复杂3D结构的逐步解析过程，对后续的计算机视觉研究产生了深远影响。同一时期，Brooks&Binford、Fischler & Elschlager等人的工作开始探讨如何超越简单的几何形状，识别现实世界中的复杂对象。 进入1980年代，David Lowe等研究人员开始关注由简单物体结构组成的视觉空间的识别，比如通过直线和边缘来识别剃须刀。而目标分割成为关注焦点，Jitendra Malik和Jianbo Shi在Berkeley的工作推动了图像分割技术的发展，利用图论算法将图像像素划分为有意义的区域。 90年代至2000年，随着机器学习技术的进步，特别是支持向量机(SVM)、Boosting方法和图模型的引入，计算机视觉取得了显著突破。例如，Paul Viola和Michael Jones的AdaBoost算法在实时面部检测中的应用，为2006年富士康推出实时面部识别相机铺平了道路。此外，David Lowe的SIFT特征匹配方法对于基于特征的目标识别有着重大影响，即使在光照、角度等多种变化条件下也能实现稳定的特征匹配。 随着时间的推移，计算机视觉进一步发展到了场景识别的层次，如空间金字塔匹配算法，它通过提取图像不同部分的特征，判断整体场景类型，如风景、厨房或高速公路等。 总体而言，计算机视觉的历史是一部从生物视觉模型到机器学习技术的进化史，它涵盖了从基本形状识别到复杂对象和场景理解的全过程。随着技术的不断进步，计算机视觉在安全监控、自动驾驶、医疗影像分析等领域有着广泛应用，并且将持续推动人工智能的发展。