計算機視覺所有的識別與檢索問題，目標追蹤問題，行人檢測問題，行人重識別問題，移動機械人目標跟隨問題，都是想法設法找出跟隨目標的不變數出來。有了不變數，才有談論後續工作的可能性。
假如人都無法從影象中識別出目標，那麼讓計算機找出來也就無從談起。
假如是乙個數學問題，需要求解，我們的思路是，先證明問題有解，再求解。
問題有解是求解的必要條件。
只有問題有解，我們求解才是有意義的。否則就是徒勞的，求解乙個沒有解的問題，就像希臘神話裡，每天推著石頭到山上的西西福斯，石頭快到頂就會滾下來，周而復始。
學生時代，數學課本經常出現證明題，一般都是存在性證明。
脫離了別人提問、我們解答的學生時代，進入真正解決問題的時候，我們很多人就忘記了關注乙個問題的有解性。
但是這一部分展開的討論很少。我們在計算機視覺方面的工作更像是鬍子眉毛一把抓，任何物件拿來就求解。之後花大力氣提高識別率。
識別問題是區域性有解的問題。不同的識別物件，有解的條件不一樣。控制領域關心乙個解是否魯棒，意思是就算條件苛刻，解依然存在。這個概念也可以用在計算機視覺識別領域。識別是否魯棒？
人臉的特徵隨時間變化緩慢，人臉識別是魯棒的。人體重識別就不魯棒，因為被識別物件變化因素太多。能夠唯一確定乙個人的，幾乎只能是dna比對。僅僅靠視覺來重識別乙個人，條件是很苛刻的，數學上會說這是乙個很強的條件。被識別物件的變數越多，識別越不魯棒，變化到一定程度，已經沒有重識別的意義，比如光線差異巨大，視角差異巨大，服飾變化巨大，視覺上的視覺已經失去意義。
生物從出現感光細胞，到進化出眼球、視覺，用視覺處理環境，絕不僅僅是輸入畫素，對畫素的各種處理。轉到計算機視覺，就只剩下對畫素的處理。我認為識別領域的泡沫太多，現在的計算機視覺處理問題的方式，本質上都是尋找畫素之間關係，再數學一點說，都是尋找二維矩陣中數字關係，最後想要實現眼睛和大腦對問題處理的效果。
我們應該謹慎對待生物意義上和計算機軟硬體層面上的輸入層差異，這一差異是否遺漏了重要資訊？假如遺漏了重要資訊，我們想要的效果就達不到了。
計算機視覺 人臉檢測與識別
長文乾貨！走近人臉檢測 從 vj 到深度學習 上 長文乾貨！走近人臉檢測 從vj到深度學習 下 caffe實踐 基於caffe的人臉檢測實現 人臉檢測 ddfd 人臉檢測 cascadecnn cascadecnn人臉檢測學習筆記 python批量預處理 cascadecnn訓練前期預處理 casc...
計算機視覺 opencv人臉識別
import cv2 步驟1 載入影象 gray cv2.cvtcolor img cv2.color bgr2gray 將影象轉換成灰度模式 opencv載入影象的方式是bgr cv2.imshow test gray cv2.waitkey 0 為什麼不直接在載入影象的時候指定灰度影象？而是要轉...
計算機視覺識別技術研究
計算機視覺識別概述 計算機視覺識別 computer vision 用計算機來模擬人的視覺機理獲取和處理資訊的能力。就是指用攝影機和電腦代替人眼對目標進行識別 跟蹤和測量等機器視覺，並進一步做圖形處理，用電腦處理成為更適合人眼觀察或傳送給儀器檢測的影象。這裡給出了幾個比較嚴謹的定義 1.對影象中的客...