芯耀
292
我第一次听到“计算机视觉”这个词是在三年前，那时情况已经大不相同了。那时，我开始学习经典的计算机视觉知识：图像处理、特征提取、特征匹配、相机标定、目标跟踪等等。如今，刚开始学习计算机视觉的人往往忽略这些内容，因为每周都有新的深度学习模型发布，而所有的热度（想想SAM3引发的热潮）都集中在这些模型上。也许这并非坏事，毕竟谁也不想落后。但对于理解计算机视觉的整体概念而言，经典的计算机视觉知识仍然至关重要。
在本文中，我将向您展示最常用的经典计算机视觉方法，给出示例，并向您展示如何使用这些算法，以及何时应该和不应该使用这些算法。
何时使用传统计算机视觉？
我想我们都同意，深度学习方法功能强大，更适合大多数任务，但传统的计算机视觉仍然有其用武之地。这些模型固然出色，但它们需要大量的计算资源。而且，你并非必须对所有任务都使用深度学习模型，将图像处理和不同的滤波器与其他传统的计算机视觉方法相结合，就可以进行物体计数、物体过滤和运动检测等操作。因此，对于简单的任务，你仍然可以使用传统的计算机视觉方法。好的，接下来我将介绍几种不同的传统计算机视觉方法。
图像处理
我觉得玩图像处理真的很有趣，可以逐一应用不同的滤镜，调整参数，尝试各种组合。你知道我之前做过一个项目，把棋盘图像转换成数字国际象棋格式（FEN），为此我用了很多滤镜。首先是检测棋盘，所以我用OTSU阈值法创建了二值图像，用Canny边缘检测法检测边缘，用HoughLines算法找到线条。即使只用了几个滤镜，结果也很棒。看看下面的图表，就能明白这些滤镜是如何逐一使用的。
特征提取
当你看到一张图片时，你会看到很多颜色、不同的形状和图案。实际上，某些部分与某些特征是相同的，例如代表人眼的特定像素块，或者代表特定物体的边缘。因此，我们的目标是找到这些独特的点（关键点），并将它们用于各种应用，例如：物体跟踪（严格来说并非跟踪，稍后会解释）、图像匹配、图像拼接……
我写过很多文章，都运用了同样的逻辑：
用户在目标物体（人、飞机等）周围绘制矩形。
从该特定区域提取关键点和描述符。
观看视频，提取每一帧的关键点和描述符。将这些描述符与步骤 2 中的描述符进行比较，如果匹配度高于某个阈值，则高亮显示该点（特定特征）。
当然，这并不是追踪物体的正确方法，它更像是特征匹配，所以这只是一个思路供你参考 :)
对于特征提取，您可以使用关键点检测器，例如FAST、Harris 角点检测器或 Shi-Tomasi 角点检测器，来查找图像中的独特点。检测到这些点之后，您可以使用SIFT、SURF、ORB 和 BRIEF等描述符来匹配这些关键点。
前两部分是一些概括性话题，但经典计算机视觉当然远不止这两点，它涵盖的内容非常广泛。接下来，我将探讨一些更具体的内容，并尝试提供一些思路，以便大家能够运用经典计算机视觉技术创造出不同的应用。
背景减除器
思路很简单，假设画面中有移动的物体，而背景是静止的（或接近静止的）。通过比较连续的帧，就可以检测到运动。
OpenCV中有两种不同的背景减除器：
- K近邻算法（KNN）
- 高斯混合模型（MOG2）
视角转换
假设你想开发一款移动应用，它使用OCR 工具从图像中提取文本，使用Google Translate API翻译提取的文本，并使用 NLP 模型生成摘要。你已将应用发布到 Google Play 商店，并且有人开始使用它。但是，他们用手机拍摄的照片并不完美，方向不正确。使用透视变换，你可以调整照片方向，从而使后续流程更好地运行。
或者回到国际象棋项目（图表），查看步骤 4。您就会明白我的意思了。您也可以参考下面的文章。
如何使用颜色信息
颜色信息非常有用。如果目标物体只有一种颜色（例如红苹果、白球、灰勺），我们可以利用这一点。毕竟，这些颜色都代表着某个数值，例如白色对应的数值是 (255,255,255)。我们可以根据这些数值来筛选颜色，从而统计场景中的特定物体数量，甚至检测它们。
总 结
总而言之，尽管深度学习在计算机视觉领域取得了巨大成功，传统方法依然在特定场景下展现出独特优势。它们计算开销小、可解释性强，且在数据有限或任务简单时往往更加高效可靠。掌握经典技术如图像滤波、特征提取、背景建模和透视变换，不仅能夯实基础，还能在实际项目中灵活应对各种挑战。对于初学者而言，理解这些方法有助于建立对视觉系统的整体认知；对于从业者来说，则是在复杂系统中进行模块优化与故障排查的重要工具。因此，在拥抱新技术的同时，切勿忽视这些历经时间检验的经典智慧。
