很長一段時間以來，技術人員一直在開發(fā)能夠感知的機器。我們使用運動探測器已有很長時間了。我們現(xiàn)在擁有如此靈敏的壓力傳感器，以至于我們可以制造出能夠處理雞蛋而不破壞雞蛋的機器人。在音頻領域，我們擁有可以將語音與其他聲音區(qū)分開來的傳感器。

我們一直在制造可以看到的機器。光學檢測是一種常見的能力;然而，真正的愿景更難。在機器視覺接近人類視力之前，還有很多東西需要學習，但我們一直在朝著這個目標前進。想一想我們中的許多人都擁有可以識別我們面部的手機是多么令人驚奇。

不管怎樣，快進幾千年，我們?nèi)匀坏教幎加袡C器，盡管它們變得越來越復雜。我們有印刷機、烤面包機、汽車、筆記本電腦、寵物喂食器、除草機、拉面分配器、8 軌磁帶播放器……順便問一下，你們中有沒有聽眾是 They Might Be Giants 的粉絲?樂隊剛剛發(fā)行了全新的 8 軌磁帶歌曲集。嚴重地!2021 年，您可以添加到您的 8 軌磁帶收藏中。世界是一個美好的地方!

但是我要去哪里呢?哦耶。我一直在強調(diào)人類幾千年來是如何制造機器的，在幾乎所有的歷史中，我們所有的機器都處于閑置狀態(tài)，直到我們激活它們。只有在人類歷史上最微小、最近的一小段時間里，這種情況才發(fā)生了變化;我們開始創(chuàng)造可以檢測和響應的機器。只是在最近甚至更短的時間里，我們才制造出不僅可以檢測和響應，還可以識別和響應的機器。

有什么不同?好吧，區(qū)別在于帶有運動傳感器的自動門一方面在檢測到有物體朝它移動時打開，另一方面，系統(tǒng)不僅接收刺激，而且可以判斷你那個刺激是什么。最近的一個例子是谷歌的 Alexa，它現(xiàn)在可以區(qū)分特定的聲音：它會忽略交通或狗叫聲，但如果它聽到玻璃破碎，它會提醒你。

就識別和反應而言，這些都是非常簡單的應用程序，但它們指出了技術的發(fā)展方向。

人類比我們大多數(shù)其他感官更依賴視覺，因此我們特別努力創(chuàng)造不僅可以檢測而且可以實際看到的光學系統(tǒng)才有意義。

技術人員已經(jīng)開始將機器視覺與人工智能相結合。我們中的許多人現(xiàn)在都擁有可以識別自己面孔的手機。與人類用視力所能做的一切相比，這仍然是一種基本的能力，但這是朝著實現(xiàn)這一目標邁出的一大步。這正是從事嵌入式視覺工作的真正激動人心的時刻。

計算機視覺開始于 1960 年代，大多數(shù)人認為，我們有計算機，我們有算法。算法可以獲取數(shù)據(jù)并從數(shù)據(jù)中提取有用的見解和模式。那么我們?yōu)槭裁床话褕D像作為數(shù)據(jù)，編寫一個可以提取有用信息的程序呢?例如，也許要確定這張圖片中是否存在人臉?在許多應用程序中，這是您想要做的一件非常常見的事情。

于是人們開始開發(fā)算法來處理像素并提取有用的信息。他們這樣做的方法是，對于這些算法中的大多數(shù)，應用大量專業(yè)知識和智慧，認真思考問題并查看數(shù)據(jù)，仔細檢查大量示例并嘗試推理，嗯，也許是一張臉可以根據(jù)其在特定組織位置相對于彼此具有眼睛、鼻子和嘴巴等某些突出特征的事實來識別。

所以人們會編寫算法和軟件來處理像素，提取信息。這樣做的困難在于，如果你談論的是我們所謂的“自然圖像”，即來自現(xiàn)實世界的圖像，而不是一些真正受限、受控的環(huán)境，那么圖像中會有很多變化。就像我可能會編寫我的整個算法來檢測人臉，然后有人出現(xiàn)時他們的頭是傾斜的或戴著眼鏡或不同的膚色或眼睛上的補丁或其他任何東西。現(xiàn)在我的算法壞了?；蛘咚麄兪潜彻獾模麄兊哪樖潜彻獾?，所以我真的無法從圖像中很好地辨認出他們的特征。

以這種方式解決應用程序問題是可能的，但它非常痛苦，非常昂貴。算法開發(fā)團隊將花費許多工程師年的時間來制作這些算法并對其進行改進和改進以使其變得更好。因此，計算機視覺得到了部署，但僅限于相對少數(shù)的應用程序。特別是環(huán)境可以很容易控制的應用程序。諸如照明和相機位置之類的東西。例如，制造檢驗等應用。

如果您正在查看某個組件并且您正在嘗試確定是否所有螺栓都存在。你知道螺栓看起來總是一樣的;你總是在看同一個位置;您可以控制燈光、相機位置;沒有什么能擋住你的視線;你正在看的東西背后沒有任何分散注意力的東西。這些問題是可以解決的。但更自然的問題，比如最近在COVID時代，人們經(jīng)常想做的一件事是統(tǒng)計，當人們經(jīng)過某個地方時，有多少人戴著口罩?

這是一個非常非常難的問題。因為口罩有不同的尺寸和形狀。人們有不同的大小和形狀。他們不一定正對著鏡頭。他們不一定光線充足。這些類型的問題確實無法用這種傳統(tǒng)方法解決，讓我們仔細檢查數(shù)據(jù)，然后讓我們將大量工程知識和洞察力應用于手工算法，以獲取這些像素并提取必要的洞察力。