Python人工智能技术与应用 课件 模块4 掌握基于深度学习的计算机视觉技术应用.pptx

《Python人工智能技术与应用》能力模块四掌握基于深度学习的计算机视觉技术应用任务一调研分析计算机视觉技术

TaskImport任务导入某市计划利用必威体育精装版的自动驾驶技术对全市的公交车进行改造，为公交车增添智能交互功能。现将公交车的智能交互项目招标出去，寻求优秀的解决方案。某自动驾驶科技公司有意竞标这一工程，你作为该公司的计算机视觉实习生需要对计算机视觉技术进行一个调研分析，向市政府相关工作人员介绍你们的方案以及背后运用的技术。

素养目标引导问题的过程中，培养学生形成勤于思考的能力获得分析解决问题以及多元化思考解决问题的方法，形成创新意识。TaskObject任务目标知识目标了解计算机视觉的定义。了解计算机视觉的原理。了解计算机视觉技术的发展历程。了解计算机视觉的主要功能。了解计算机视觉的应用。技能目标能够举例至少3条的计算机视觉的应用案例。能够说明计算机视觉如何应用于自动驾驶技术。能够讲解计算机视觉的原理，培养积极进取的职业态度。

新授

计算机视觉技术的应用04CONTENTS目录计算机视觉的定义和原理01计算机视觉技术发展历程02计算机视觉的主要功能03

计算机视觉的定义与原理01（一）计算机视觉的定义定义应用计算机视觉（ComputerVision，CV）是一门研究如何使机器“看”的科学，更进一步地说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等功能实现。计算机视觉是一门涉及图像处理、机器学习和模式识别等技术的多学科交叉学科，是进入二十一世纪之后非常活跃的研究方向。

计算机视觉的定义与原理01（二）计算机视觉的原理步骤3.认知图像最后一步是识别一个对象，然后将其分组到单独的类别中。机器通过照片，视频或3D技术获得图像或大量图像以进行进一步分析。1.获取数字图像2.处理图像系统处理图像并将其划分为多个部分以对其进行单独分析。

计算机视觉技术发展历程02特征提取传统机器学习中的特征提取技术基于深度学习的计算机视觉基于传统机器学习和基于深度学习的计算机视觉技术典型应用场02对象描述：应用计算机视觉技术时，研究者需要对研究对象进行描述，以便计算机能够理解和处理研究对象。这个描述的过程即“特征提取”。对象表征：特征提取是计算机视觉中非常重要的一个步骤，找到合适的特征对研究对象进行表征很重要。对象特征：也就是找到一些能够代表研究对象的重要特征，并将它们提取出来。这些特征可能包括颜色、形状、纹理等等，它们能够帮助计算机区分和识别不同的对象。人脸识别：比如在早期的人脸识别中，研究者通过提取出人脸上关键部位和比例构成一个特征向量，并以此训练分类器来实现人脸识别。（一）特征提取计算机视觉技术发展历程

02手动设计：传统机器学习中，需要手动设计特征提取器来将输入数据转换为机器学习算法可以处理的格式。（二）传统机器学习中的特征提取技术计算机视觉技术发展历程手动微调:视觉工程师必须决定寻找哪些特征以检测图像中的特定对象，并且为每个类别选择正确的特征。当可能的类别数量增加时，该方法将变得十分复杂。工程师还必须手动微调许多参数，例如颜色，边缘，质地。重新设计和调整:这通常需要领域专业知识和大量试错，而且随着数据集的变化，特征提取器可能需要重新设计和调整。人力成本和时间成本极高。

02卷积层可以自动地学习输入数据中的特征，卷积层通过一系列的卷积操作，从输入数据中提取出特征图。卷积操作可以捕捉到输入数据中的局部模式，例如图像中的边缘、角落等。卷积层深度学习中的卷积神经网络（简称CNN）通过引入卷积层和池化层来解决传统机器学习的特征提取难题。（三）基于深度学习的计算机视觉计算机视觉技术发展历程卷积层池化层

02池化层可以对这些特征进行降维和抽象，从而减少模型中的参数数量和计算量。池化层则通过对特征图进行下采样，减少特征图的大小和数量，从而在一定程度上降低了模型的复杂度，避免了过拟合现象。池化层深度学习中的卷积神经网络（简称CNN）通过引入卷积层和池化层来解决传统机器学习的特征提取难题。（三）基于深度学习的计算机视觉计算机视觉技术发展历程卷积层池化层

02CNN使用“端到端学习”的概念，仅需要告诉算法去学习注意每个特定类的特征。通过分析样本图像，它可以自动得出每个类/对象的最突出和最具描述性的特征。（三）基于深度学习的计算机视觉计算机视觉技术发展历程传统机器学习算法与深度学习工作原理区别

02（四）基于传统机器学习和基于深度学习的计算机视觉技术典型应用场景计算机视觉技术发展历程通常会使用传统方法来处理的其他用例包括：对尺寸和距离进行精确测量。传统机器学习CNN在许多计算机视觉、语音识别和自然语言处理等领域中取得了巨大的成功。它们已经成为了处理复杂数据的强大工具。复杂应用场景下研究者