敲黑板
分析师结论
计算机视觉不是一个新技术，它发轫于上世纪60年代，在深度学习的推动下走向大规模应用。年，图像识别准确率大幅提升后，计算机视觉商用的技术基础开始稳固。也就是从这个时间点开始，计算机视觉开始走向实用场景落地；尽管发起于美国，但在实际落地应用中，中国已经成为面部识别技术最大的消费者和提供者，中国公司成为一股不容忽视的力量；计算机视觉在中国的场景落地中，很大一块蛋糕就是安防（占比近70%）。得益于国家在平安城市、智慧交通和雪亮工程等计划的推动，安防市场在十几年保持着快速增长，到年已经达到亿元市场规模，而AI软硬件+安防目前的市场规模只有亿元。计算机视觉和安防的结合，还有非常广泛的增长空间；如果说安防是计算机视觉最大的落地场景，那么新零售则是最有潜力的场景之一。计算机视觉公司在安防等重要的市场面临着几乎红海化的竞争，零售场景尚未形成巨头。除了安防、新零售，在金融、广告营销、医疗、教育等领域，计算机视觉技术都起到了提升效率，降低成本的作用。这也催生了深耕不同垂直领域的公司;不同于互联网、移动互联网的全行业“二八法则”，计算机视觉公司的“二八法则”体现在垂直场景中，以安防场景为例，尽管有广泛的市场前景，但竞争也很激烈。因此，找准场景，打深井，是创业公司的破局之道。一、计算机视觉概念及主要技术
1、概念：
作为人工智能的重要分支之一，计算机视觉是指通过计算机、摄像机或其他相关设备模拟生物视觉，通过电子化的方式感知和理解图像，以达到分析图像和得出结论的目的。
如果将智能分为通知、算知、感知、认知、预知、决知六个层面的能力，那么，计算机视觉的出现，则极大地提高了感知和认知力。
（机器视觉同样是人工智能快速发展的分支，机器视觉与计算机视觉在基础理论上、技术和应用上有很多重叠。相比之下，机器视觉更加侧重于工业领域的视觉研究，主要用于检测和测量。严格起见，本报告将计算机视觉与机器视觉区分开来。本章主要研究计算机视觉。）
2、主要技术介绍：
以人眼为类比，人的视觉系统主要解决物体识别、物体形状与方位确认以及物体运动判断三个问题。那么，代替人眼的计算机视觉技术，也主要包括以上三类。按照此类别，计算机视觉相关技术主要包括：图像分类、对象检测、目标追踪、语义分割、实例分割等技术，人脸识别、图像识别、无人驾驶中的路况识别等都是在基础技术上的重组与应用。
（上图可以简单解释计算机在识别过程中的技术）
图像分类：给出已经被标记为单一类别的图像，从而对一组新的测试图像的类别进行预测，并测量预测的准确性。
对象检测：识别图像中的对象，通常包括将各个对象输出边界框，并打上标签。
目标追踪：在特定场景跟踪一个或者多个特定对象的过程。
语义分割：计算机视觉中的分割是将整个图像分成一个个像素组，进行标记和分类，语义分割试图在语义上理解图像中每个像素的角色，包括人、道路、汽车、树木等。
实例分割：实例分割将不同类型的实例进行分类，不仅需要将不同的对象进行分类，还要确定对象的边界、差异以及彼此之间的关系。
二、计算机视觉的发展历史、现状与市场规模
1、计算机视觉发展历史：
计算机视觉最早归类于模式识别（PatternRecognition），年，MIT的博士LarryRobert发表论文——《MachinePerceptionofThree-DimensionalSolids》，该论文将计算机视觉从模式识别中独立出来，当时的计算机视觉研究主要是从图像中提取立方体等多面体的三维结构，并对物体形状及其空间关系进行描述。
20世纪70年代，一位青年学者DavidMarr提出Marr视觉计算理论，标志着计算机视觉理论框架初步形成。年，Marr的《视觉》一书面世，计算机视觉成为一门独立的学科，随后，包括主动视觉理论、分层重建理论框架等新理论不断出现。
（图为《视觉》封面）
年Hinton教授在《科学》发表了对于深层神经网络的训练方法，开启了深度学习的时代。年，用于视觉对象识别软件研究的大型可视化数据库ImageNet建立，年以来，ImageNet项目每年举办一次软件比赛，由软件程序来分类检测图像和物体。
（图为ImageNet发起人之一——李飞飞）
年以后，随着深度学习的爆发，ImageNet的识别率也在不断提升。
（图为ImageNet数据集）
以往，传统方法需要先手工设计特征，然后用分类器分类。其中，手工设计特征需要相关领域足够的经验和积累，对于提取的特征还需要进行大量调试工作，不同特征对应的算法也不同，组合起来，通用性差，进展缓慢且效果不佳，难以形成大规模商用。
而深度学习方法则是将特征学习和分类器学习集成到一个网络中，深度网络在大数据中自行学习特征并分类，可以增强通用性，极大提升效率。
深度学习出现后，计算机视觉的主要识别方式发生重大转变，自学习状态成为视觉识别主流。
到年，ImageNet图像识别的错误率已经降低至2.25%，人脸和物体识别的准确度都已经超过人类。计算机视觉已经具备商业化的技术基础。
2、计算机视觉现状与市场规模：
计算机视觉作为人工智能的重要分支，在人工智能市场一直占有较高的比重，根据中国信通院报告数据，年中国人工智能市场中计算机视觉占比37%。
国家虽然没有制定专门针对计算机视觉的政策，但在《新一代人工智能发展规划》中明确指出，将大力发展以计算机视觉为主要技术支撑的人类视觉能力感知获取、真实视觉感知以及智能城市的安全影像监控等。
在政策鼓励和技术基础支撑下，计算机视觉行业逐步实现了从基础层到应用层的打通，开始涉足安防、金融、医疗、教育等领域，提供安防及监控、无人零售、人车识别等技术解决方案。
根据前瞻产业研究院对CAICT（中国信息通信研究院）、Ganter、CBInsights等机构发布的数据汇总，年我国计算机视觉市场规模的增速都超过了%。乐观估计年，我国计算机视觉市场规模有望突破亿；中性预测年我国计算机视觉市场规模在亿元左右。
四、计算机视觉的场景应用
普通用户对于计算机视觉的感知，可能要归功于刷脸识别、换脸AppZAO等软件产品，对于广大公众而言，数据隐私问题一直备受
转载请注明：http://www.0431gb208.com/sjszyzl/3895.html
