雷鋒網(wǎng)注：作者趙京雷，閱面科技CEO，上海交通大學(xué)人工智能博士，前阿里巴巴北京算法研究中心負(fù)責(zé)人，專注人工智能算法研究超過15年。本文系雷鋒網(wǎng)獨(dú)家文章。

2016年是人工智能發(fā)展的第60周年，人工智能已經(jīng)走了很長一段路，隨著AlphaGo的輝煌戰(zhàn)績的出現(xiàn)，又再次引爆了人工智能在各個領(lǐng)域的發(fā)展。回顧計(jì)算機(jī)視覺發(fā)展之路，才能讓我們踩著歷史的積淀，順應(yīng)發(fā)展的大潮，去探索未來。

| 一、計(jì)算機(jī)視覺的認(rèn)知依據(jù)

人類對世界的認(rèn)知非常簡單，我們可以一眼看出一個水果是蘋果還是橘子。但是對于機(jī)器來說，我們怎么寫個程序讓機(jī)器來分辨蘋果和橘子呢。

（人類的識別） 

如果讓大家思考，我們會給出各種答案，比如是不是可以讓機(jī)器通過水果的顏色來區(qū)分，或者通過形狀和紋理來區(qū)分等等。                      

（基于顏色、形狀、紋理的識別）

在深度學(xué)習(xí)出現(xiàn)之前，這種基于尋找合適的特征去讓機(jī)器辨識物品的狀態(tài)，基本上代表了計(jì)算機(jī)視覺的全部。

以顏色特征為例，它是一種在現(xiàn)在依然被廣泛應(yīng)用的特征,我們稱之為顏色直方圖特征。它是一種最簡單、最直觀，對實(shí)際圖片的顏色進(jìn)行數(shù)字化表達(dá)的方式。機(jī)器識別圖片只能用二維的向量來表示。我們都知道顏色的值可以用RGB三原色來表示，顏色直方圖的橫軸代表顏色的RGB數(shù)值，表示一個物品所有顏色的可能性，縱軸則代表了整個圖像具有某個顏色值的像素?cái)?shù)量，其實(shí)，通過這樣一種非常直觀的方法，機(jī)器就可以對看到的圖片進(jìn)行顏色表征。在過去的二三十年里，關(guān)于顏色特征的表示有很多探索和研究，比如：各種各樣顏色直方圖的變種，使得計(jì)算機(jī)能夠通過二維數(shù)字串的形式，更好地表示圖像的顏色特征，使得其能夠區(qū)分看到的不同物品。

左：（顏色直方圖striker 1995）  右：（顏色距 striker 1995）

以紋理特征為例，桔子會有坑坑洼洼的紋理，而蘋果的紋理則非常光滑。這種局部的紋理刻畫，如何通過數(shù)字串的形式抽象表示出來，和顏色特征一樣，這是過去很多年計(jì)算機(jī)視覺一直在探求和優(yōu)化的問題。下圖是計(jì)算機(jī)視覺中在各個領(lǐng)域使用較多的紋理特征表示方法示例。

（紋理直方圖）

（SDM）

形狀特征也是一樣，以下兩圖可以直觀的示例計(jì)算機(jī)視覺通過形狀特征來進(jìn)行識別。

（Hog：Dalal,2005）

通過這些例子可以看出，計(jì)算機(jī)視覺在過去很多年，處理問題的方法很簡單，就是找到一種合適的特征抽象方法，對一個待識別或者待分類問題進(jìn)行特征表達(dá)，然后進(jìn)行計(jì)算的過程。

如果要做人臉識別，需要尋找到底是顏色特征還是紋理特征或者形狀特征更適于表達(dá)，怎么樣能把目標(biāo)問題區(qū)分開來。對人臉來說，顏色的作用不會很大，因?yàn)槿四樀念伾�長得都差不多。但是人臉的褶皺、紋理，兩眼之間的距離等可能代表了不同人之間的區(qū)別，可能紋理和結(jié)構(gòu)特征相比更加有效。而如果我們要檢測識別人體，可能紋理特征就不是那么重要，因?yàn)槿藭�穿各種各樣的衣服，但形狀特征就會很重要。所以，過去的計(jì)算機(jī)視覺是針對不同的問題，選擇不同的特征表征方法。

| 二、計(jì)算機(jī)視覺的發(fā)展過程

從2006年開始，在將近10年的時間里，計(jì)算機(jī)視覺的方法發(fā)生了一個比較本質(zhì)的變化，就是深度學(xué)習(xí)的出現(xiàn)，在某種程度上改變了我們前面對計(jì)算機(jī)視覺的定義。我們先了解一下計(jì)算機(jī)視覺發(fā)展的歷程，看看是基于什么契機(jī)和積累，讓計(jì)算機(jī)視覺發(fā)生了這樣的變化。

計(jì)算機(jī)視覺的發(fā)展史可以追溯到1966年，著名的人工智能學(xué)家馬文·明斯基給他的本科學(xué)生布置了一道非常有趣的暑假作業(yè)，就是讓學(xué)生在電腦前面連一個攝像頭，然后寫一個程序，讓計(jì)算機(jī)告訴我們攝像頭看到了什么。大師就是大師，這道題實(shí)在是太有挑戰(zhàn)了，在某種意義上它代表了全部計(jì)算機(jī)視覺要做的事情，因此我們認(rèn)為這是一個起點(diǎn)。

上世紀(jì)70年代，研究者開始去試圖解決讓計(jì)算機(jī)告知他到底看到了什么東西這個問題。研究者認(rèn)為要讓計(jì)算機(jī)認(rèn)知到底看到了什么，可能首先要了解人是怎樣去理解這個世界的。因?yàn)槟菚r有一種普遍的認(rèn)知，認(rèn)為人之所以理解這個世界，是因?yàn)槿耸怯袃芍谎劬Γ�他看到的世界是立體的，他能夠從這個立體的形狀里面理解這個世界。在這種認(rèn)知情況下，研究者希望先把三維結(jié)構(gòu)從圖像里面恢復(fù)出來，在此基礎(chǔ)上再去做理解和判斷。

(David Marr，1970s)

上世紀(jì)80年代，是人工智能發(fā)展的一個非常重要的階段。人工智能界的邏輯學(xué)和知識庫推理大行其道，研究者開始做很多專家推理系統(tǒng)，計(jì)算機(jī)視覺的方法論也開始在這個階段產(chǎn)生一些改變。人們發(fā)現(xiàn)要讓計(jì)算機(jī)理解圖像，不一定先要恢復(fù)物體的三維結(jié)構(gòu)。例如：讓計(jì)算機(jī)識別一個蘋果，假設(shè)計(jì)算機(jī)事先知道蘋果的形狀或其他特征，并且建立了這樣一個先驗(yàn)知識庫，那么計(jì)算機(jī)就可以將這樣的先驗(yàn)知識和看到物體表征進(jìn)行匹配。如果能夠匹配，計(jì)算機(jī)就算識別或者理解了看到的物體。所以，80年代出現(xiàn)了很多方法，包括幾何以及代數(shù)的方法，將我們已知的物品轉(zhuǎn)化成一些先驗(yàn)表征，然后和計(jì)算機(jī)看到的物品圖像進(jìn)行匹配。

（David Lowe, 1987）

上世紀(jì)90年代，人工智能界又出現(xiàn)了一次比較大的變革，也就是統(tǒng)計(jì)方法的出現(xiàn)和流行。在這個階段，經(jīng)歷了一些比較大的發(fā)展點(diǎn)，比如現(xiàn)在還廣泛使用的局部特征。前面介紹的形狀、顏色、紋理這些表征，其實(shí)會受到視角的影響，一個人從不同的角度去看物品，它的形狀、顏色、紋理可能都不太一樣。隨著90年代統(tǒng)計(jì)方法的流行，研究者找到了一種統(tǒng)計(jì)手段，能夠刻畫物品最本質(zhì)的一些局部特征，比如：要識別一輛卡車，通過形狀、顏色、紋理，可能并不穩(wěn)定，如果通過局部特征，即使視角變化了，也會準(zhǔn)確對其進(jìn)行辨識。局部特征的發(fā)展，其實(shí)也導(dǎo)致了后來很多應(yīng)用的出現(xiàn)。比如：圖像搜索技術(shù)真正的實(shí)用，也是由于局部特征的出現(xiàn)。研究者可以對物品建立一個局部特征索引，通過局部特征可以找到相似的物品。其實(shí)，通過這樣一些局部點(diǎn)，可以讓匹配更加精準(zhǔn)。

（David Lowe, 1999）

到2000年左右，機(jī)器學(xué)習(xí)方法開始盛行。以前需要通過一些規(guī)則、知識或者統(tǒng)計(jì)模型去識別圖像所代表的物品是什么，但是機(jī)器學(xué)習(xí)的方法和以前完全不一樣。機(jī)器學(xué)習(xí)能夠從海量數(shù)據(jù)里面去自動歸納物品的特征，然后去識別它。在這樣一個時間點(diǎn)，計(jì)算機(jī)視覺界有幾個非常有代表性的工作，比如：人臉識別。

要識別一個人臉，第一步需要從圖片里面把待識別的人臉區(qū)域給提取出來，這叫人臉檢測。像在拍照的時候，會看到相機(jī)上有個小方框在閃，那其實(shí)是人臉識別必要的第一步工作，也就是人臉框的檢測。在以前，這是非常困難的工作，但是在2000年左右，出現(xiàn)了一種非常好的算法，它能夠基于機(jī)器學(xué)習(xí)，非常快速的去檢測人臉，稱之為Viola&Jones人臉檢測器，這奠定了當(dāng)代計(jì)算機(jī)視覺的一個基礎(chǔ)。

（Viola&Jones, 2001）

機(jī)器學(xué)習(xí)的盛行其實(shí)是伴隨著一個必要條件出現(xiàn)的，就是在2000年左右，整個互聯(lián)網(wǎng)的出現(xiàn)和爆發(fā)，產(chǎn)生了海量的數(shù)據(jù)，大規(guī)模數(shù)據(jù)集也相伴而生，這為通過機(jī)器學(xué)習(xí)的方法來做計(jì)算機(jī)視覺提供了很好的土壤。在這期間，出現(xiàn)了大量學(xué)術(shù)官方的，針對不同領(lǐng)域評測的數(shù)據(jù)集。人臉檢測最具有代表性是一個叫FDDB的數(shù)據(jù)集。這個數(shù)據(jù)集包含了超過5000多張人臉數(shù)據(jù)，每一張人臉，都人為的用框給框出來，機(jī)器就可以從這些框好的數(shù)據(jù)里面，通過一些機(jī)器學(xué)習(xí)的手段去學(xué)習(xí)從任何一張圖片中找到人臉區(qū)域。

（FDDB，5171 faces, 2845 images）

另外，我們耳熟能詳?shù)囊粋�數(shù)據(jù)集是人臉識別數(shù)據(jù)集LFW。提到人臉識別，可能我們聽過“計(jì)算機(jī)做人臉識別比人更準(zhǔn)”。其實(shí)這句話是有一定問題，在很多實(shí)際場景里，計(jì)算機(jī)做人臉識別連人的70%可能都達(dá)不到。那么在什么情況下，它比人準(zhǔn)呢。有一種情況就是在LFW上。LFW數(shù)據(jù)集里面有1萬多張人臉和5000多個人的數(shù)據(jù)，每個人都有在不同情況下拍攝的真實(shí)場景的多張人臉。基于這樣的一個數(shù)據(jù)集，研究者可以在上面評估人臉識別的精度。人臉識別領(lǐng)域發(fā)展非常快，尤其是最近幾年深度學(xué)習(xí)的興起后，這個數(shù)據(jù)集變得非常火爆。人在LFW上面的識別正確率大概是97.75%，而機(jī)器已經(jīng)在LFW上可以做到99.75%甚至更要高。

（13233 faces, 5749 people）

在這期間，還出現(xiàn)了其他非常有影響力的數(shù)據(jù)集，其中比較有代表性的就是由李飛飛教授發(fā)起的一個項(xiàng)目IMAGEMET。他通過眾包的方式，標(biāo)注1400萬張圖片，分了大概2萬多個類別，這些類別包羅萬物，比如像動物，里邊可能分為鳥類、魚類等；植物，里面可能會分為樹和花。她的理想很宏大，就是希望提供這樣一個數(shù)據(jù)集，為計(jì)算機(jī)視覺算法提供一個數(shù)據(jù)土壤，讓未來的機(jī)器能夠認(rèn)識世界上的一切物品。

在2000年代，人工智能經(jīng)歷了一個快速發(fā)展期以后，整個人工智能在很多行業(yè)取得了非常好的應(yīng)用，比如：視覺之外有搜索引擎排序和計(jì)算廣告等等，視覺領(lǐng)域人臉檢測器也被用在了各種各樣的相機(jī)里面。

到2010年代，人工智能進(jìn)入了一個最激動人心的年代，它就是深度學(xué)習(xí)的年代。深度學(xué)習(xí)從本質(zhì)上給整個人工智能帶來了一次革命。在上世紀(jì)，有人做了一個貓的實(shí)驗(yàn)。在貓腦袋上開了一個洞，然后在貓的前面放各種各樣的物品，觀察貓?jiān)诓煌�物品下的反�?yīng)。通過實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)我們放一些形狀非常類似的物品時，貓的后腦皮層的相同區(qū)域會表現(xiàn)出同樣的刺激反應(yīng)，這一實(shí)驗(yàn)了說明人的視覺系統(tǒng)認(rèn)知是分層的。在早期模擬人腦認(rèn)知的多層神經(jīng)網(wǎng)絡(luò)模型經(jīng)歷2000年左右的一個低谷后，2006年Hinton教授在《科學(xué)》發(fā)表了對于深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，帶來了深度學(xué)習(xí)的蓬勃發(fā)展。

（LeNet-5, 1998）
上圖左側(cè)是一個普通的三層神經(jīng)網(wǎng)絡(luò)算法，是一種淺層的學(xué)習(xí)方法。在這種淺層神經(jīng)網(wǎng)絡(luò)中，輸入的數(shù)據(jù)依然是人工抽象出來的特征表達(dá)，比如顏色、形狀、紋理或者局部特征等。而右邊的則是現(xiàn)在最常使用的一種深度學(xué)習(xí)方法，卷積神經(jīng)網(wǎng)絡(luò)。從外面來看，最大的改變是其輸入是原始圖像的像素，不再用人工進(jìn)行特征表達(dá)和抽象，而改用神經(jīng)網(wǎng)絡(luò)本身在淺層自動進(jìn)行特征抽象。這是淺層機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型的根本區(qū)別之一。

（Hinton, 2006）

（Li, Tang etl, 2014-2015）

自2006年開始，在接近10年的時間里，整個計(jì)算機(jī)視覺界產(chǎn)生了質(zhì)的變化，深度學(xué)習(xí)的出現(xiàn)真正改變了計(jì)算機(jī)視覺之前的定義。

| 三、計(jì)算機(jī)視覺的應(yīng)用領(lǐng)域

深度學(xué)習(xí)出現(xiàn)以后，對各種各樣的視覺識別任務(wù)的精度都進(jìn)行了大幅度的提升，拿人臉來說，在深度學(xué)習(xí)出現(xiàn)之前，一個普通的識別算法，比如使用顏色、紋理、形狀或者局部特征，可以將各種特征糅合在一起，人臉識別率一般只能做到94%~95%。在很多的實(shí)際系統(tǒng)，比如以前用的人臉考勤，可能當(dāng)時的系統(tǒng)只能做到90%~92%的識別率。深度學(xué)習(xí)出現(xiàn)以后，直接將這個精度提高到了99.5%以上，將錯誤率降低了10倍。

這種量級的錯誤率降低意義非凡。比如：把人體識別的精度用到汽車的輔助駕駛系統(tǒng)里邊，如果出現(xiàn)了漏報(bào)或錯包，這是非常頭大的事。如果是95%的精度，有100個人經(jīng)過，在一定距離范圍內(nèi)，他可能就有五次錯報(bào)或者漏報(bào)，這肯定是無法接受的。但如果精度再提升10倍或者100倍，比如1萬個人只有5次漏報(bào)的話，那這件事可能就是可行了。所以，深度學(xué)習(xí)的出現(xiàn)使得以前視覺方法不太實(shí)用的一些應(yīng)用領(lǐng)域，基本上都可以通過深度學(xué)習(xí)的方法來獲得一個良好的應(yīng)用。

目前計(jì)算機(jī)視覺的熱點(diǎn)應(yīng)用在目標(biāo)檢測、目標(biāo)識別、目標(biāo)跟蹤、場景理解、立體視覺等一些領(lǐng)域，人臉識別用的比較多的領(lǐng)域是金融行業(yè)，像人臉識別身份驗(yàn)證等；圖像搜索比較直觀的應(yīng)用，如拍一張鞋的照片，在淘寶進(jìn)行搜索，就可以找到類似的鞋。再比如像安防，也是計(jì)算機(jī)視覺的一個典型應(yīng)用領(lǐng)域；還有一個非常大的應(yīng)用，就是在機(jī)器人領(lǐng)域，包括整個的智能設(shè)備領(lǐng)域，深度學(xué)習(xí)的出現(xiàn)，使得機(jī)器人在視覺能力或者語音能力上，去模仿人的能力成為可能。

隨著深度學(xué)習(xí)的發(fā)展，國內(nèi)也出現(xiàn)了一些專注于深度學(xué)習(xí)的視覺企業(yè)，比如專注于金融和安防監(jiān)控的Face++、SenseTime，專注于圖片審核的圖普科技、專注于圖像搜索的衣+，而我們閱面科技則專注于嵌入式視覺和機(jī)器視覺領(lǐng)域。

| 四、我的探索

回顧了計(jì)算機(jī)視覺的發(fā)展之路，很多公司在深度學(xué)習(xí)的大潮中順勢而生，包括我們閱面。

深度學(xué)習(xí)的出現(xiàn)使得人工智能的應(yīng)用上產(chǎn)生很多創(chuàng)業(yè)和創(chuàng)新機(jī)會。

比如在和垂直行業(yè)結(jié)合方面，像金融、醫(yī)療行業(yè)，這方面應(yīng)用的特點(diǎn)是計(jì)算發(fā)生在服務(wù)器端或者云端。

另外一方面的機(jī)會來自于各種各樣的硬件設(shè)備的智能化升級，這方面應(yīng)用的特點(diǎn)是計(jì)算的前端化和實(shí)時化。我們都知道以前的智能硬件都很不智能，用戶體驗(yàn)不好。人工智能算法的發(fā)展，會把一系列的硬件設(shè)備變得智能起來，成為真正的智能機(jī)器。

嵌入式視覺，就是幫助各種各樣的智能機(jī)器，通過嵌入視覺算法，讓它擁有一雙像人類一樣的眼睛，能夠去認(rèn)知周邊的人或者場景，該研究應(yīng)用于包括機(jī)器人、智能家居、車載設(shè)備等領(lǐng)域，主要解決人機(jī)交互及場景的感知兩大問題，這兩方面的能力是未來的智能機(jī)器必須具備的核心能力。這也是我們在做的事情。

以智能機(jī)器來舉例，它需要理解人，知道這個人是誰，并且理解人的表情變化以及交互的手勢和人體動作，這其實(shí)就是人機(jī)交互層。智能機(jī)器的場景感知層，就是將智能機(jī)器放在一個陌生環(huán)境里，能夠讓它知道處于什么樣的環(huán)境，能夠讓它識別物品和場景，能夠進(jìn)行自主導(dǎo)航定位，自由行走。計(jì)算機(jī)視覺是整個人機(jī)交互和場景感知的未來。

如何為智能機(jī)器提供軟硬件一體的視覺認(rèn)知解決方案？以我們?yōu)槔�—�?/span>

首先在底層構(gòu)建了核心的算法引擎，如人臉識別、手勢識別、人體識別和場景識別等。其次在算法層上，我們做了兩件事：一方面做硬件模組，另一方面做芯片。所有硬件層的努力，都是為了讓底層的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法能夠在嵌入式設(shè)備上能以快速度、低功耗跑起來。通過軟硬件一體化的解決方案，希望能真正幫助未來的智能機(jī)器方便地接入視覺認(rèn)知服務(wù)，去認(rèn)知這個世界。

| 五、由深度學(xué)習(xí)的發(fā)展看未來的挑戰(zhàn)

計(jì)算機(jī)視覺的發(fā)展當(dāng)然不可能一帆風(fēng)順。

對任何一個視覺識別任務(wù)而言，它的自然條件的變化，比如像姿態(tài)、遮擋，包括光照等各種條件的變化，都會極大的影響它的識別精度和正確率。怎樣去解決這個問題，其實(shí)是整個計(jì)算機(jī)視覺面臨的最大挑戰(zhàn)。

深度學(xué)習(xí)擅長的是分類問題，而對于上下文語義的理解，它是非常不擅長的。比如讓它理解人類說的話，在這方面的應(yīng)用這幾年并沒有太多實(shí)質(zhì)性進(jìn)展，這也是我專注做計(jì)算機(jī)視覺這件事的原因之一，如果去做自然語言理解，深度學(xué)習(xí)目前的幫助不大，但連續(xù)語義以及上下文的理解是近年深度學(xué)習(xí)模型研究的重點(diǎn)，相信未來會有所突破。

深度學(xué)習(xí)確實(shí)帶來了實(shí)質(zhì)性的一個突破，但是針對很多任務(wù)，離我們真正想達(dá)到的精度還有不小差距，比如：人體檢測、物品識別的的精度，在真實(shí)場景中比起我們?nèi)祟悾�還遠(yuǎn)遠(yuǎn)不夠。整個學(xué)術(shù)界對于新一代深度學(xué)習(xí)模式的研究還一直在繼續(xù)。比如：人在認(rèn)識世界的時候，它不僅僅把信息從大腦的初級皮層向深處的神經(jīng)元傳遞。人在理解的時候，心理學(xué)家發(fā)現(xiàn)人腦深層的神經(jīng)元可以反過來指導(dǎo)最開始輸入層的認(rèn)知。所以，我相信深度學(xué)習(xí)，在這些年還會從理論模型上帶來比較大的突破，這種突破可能會使得這種模型越來越逼近我們?nèi)藢π畔⒌奶幚怼?/span>

計(jì)算機(jī)視覺之路，路漫漫，其修遠(yuǎn)，吾將上下而求索。

雷鋒網(wǎng)注：轉(zhuǎn)載請聯(lián)系我們授權(quán)，并保留出處和作者，不得刪減內(nèi)容。