在我們的日常生活中隨處都有計算機視覺技術，手機、游戲機可以識別您的手勢，相機可以自動將焦點放在人身上等等。計算機視覺正在影響我們生活的許多領域。

事實上，計算機視覺在商業和國防使用方面有悠久的歷史：如制造中的質量檢測，環境管理的遙感或在戰場上收集智能的高分辨率相機。這些傳感器中的一些是靜止的，而其它傳感器連接到諸如衛星，無人機和車輛等在移動物體上。

在過去，許多計算機視覺應用程序僅限于某些封閉平臺。當與IP連接技術相結合時，他們創建了一組新的應用程序計算機視覺，加上IP連接，高級數據分析和人工智能，將成為彼此的催化劑，從而在物聯網（IoT）創新和應用方面帶來革命性的飛躍。

視覺環境設計

視覺或視力是五種人類感覺中最發達的。我們每天都用它來識別我們的朋友，在我們的路上發現障礙，完成任務和學習新事物。我們通過我們的視覺來識別我們周圍的環境。有路牌和信號燈幫助我們從一個地方到另一個地方。通過識別環境標識找到我們所要到達的地方。鑒于視覺的重要性，將其擴展到計算機和自動化系統，實現了視覺應用大飛躍。

計算機視覺

計算機視覺從捕獲和存儲圖像或一組圖像的技術開始，然后將這些圖像轉換成可以進一步執行的信息。它由多種技術組合組成。計算機視覺工程是一個跨學科領域，需要在許多這些技術中跨職能和系統專長。

由多個領域的進步驅動的計算機視覺

例如，Microsoft Kinect使用3D計算機圖形算法來實現計算機視覺來分析和理解三維場景。它允許游戲開發人員將實時全身運動捕捉與人造3D環境進行合并。除了游戲，這在機器人，虛擬現實（VR）和增強現實（AR）應用等領域開辟了新的可能性。

傳感器技術的進步也在傳統攝像機傳感器以外的許多層面迅速發展。 最近的一些例子包括：

? 紅外傳感器和激光器結合起來感測深度和距離，這是自駕車和3D地圖應用的關鍵推動因素之一

? 非侵入式傳感器，可跟蹤醫療患者的生命體征，無需身體接觸

? 高頻攝像機可以捕捉人眼不能察覺的微妙動作，以幫助運動員分析其步態

? 超低功耗和低成本的視覺傳感器，可長期部署在任何地方

早期應用

監控行業是圖像處理技術和視頻分析的早期采用者之一。視頻分析是計算機視覺的一個特殊用例，重點是從小時的視頻中找到模式。在現實情況下自動檢測和識別預定義模式的能力代表了數百種用例的巨大市場機會。

第一個視頻分析工具使用手工算法來識別圖像和視頻中的特定功能。它們在實驗室設置和模擬環境中都是準確的。然而，當輸入數據（如照明條件和攝像機視圖）偏離設計假設時，性能迅速下降。

研究人員和工程師花費了多年的開發和調優算法，或者用新的方法來處理不同的條件。然而，使用這些算法的相機或錄像機仍然不夠穩健。盡管多年來取得了一些進步，但現實世界的糟糕表現限制了技術的有用性和應用。

深度學習突破

近年來，深度學習算法的出現激發了計算機視覺。深入學習使用人造神經網絡（ANN）算法，模擬人腦神經元。

從2010年初開始，由圖形處理單元（GPU）加速的計算機性能已經越來越強大，足以使研究人員實現復雜ANN的功能。此外，部分由視頻站點和普遍的IoT設備驅動，研究人員擁有大量不同的視頻和圖像數據庫來訓練其神經網絡。

在2012年，稱為卷積神經網絡（CNN）的深層神經網絡（DNN）的版本顯示了精確度的巨大飛躍。這一發展推動了計算機視覺工程領域的興趣和興奮。現在，在需要圖像分類和面部識別的應用中，深度學習算法甚至超過了人類對應物。更重要的是，就像人類一樣，這些算法具有學習和適應不同條件的能力。

這些只是計算機視覺如何大大提高許多領域的生產力的一些小例子。我們正在進入物聯網進化的下一個階段。在第一階段，我們專注于連接設備，聚合數據和建立大型數據平臺。在第二階段，重點將轉移到通過計算機視覺和深度學習等技術使“事物”更加智能，從而產生更多可操作的數據。

計算機視覺即將迎來爆發式增長，我們將探索新的框架，最佳實踐和設計方法，以克服其在實際應用中會遇到的一挑戰。