下载掌阅APP，畅读海量书库
立即打开
除了视觉定位，计算机视觉本身还包括了诸多不同的研究方向，其中比较基础和热门的研究方向有目标检测（Object Detection）、图像语义分割（Image Semantic Segmentation）、运动跟踪（Motion and Tracking）、三维重建（3D Reconstruction）、视觉问答（Visual Question Answering，VQA）、动作识别（Action Recognition）等。
目标检测一直是计算机视觉中非常基础且重要的一个研究方向。目标检测，顾名思义就是给定一张输入图片，算法能够自动识别图片中的常见物体，并输出其所属类别和位置，如图1-1所示。当然，这也就衍生出了诸如人脸检测（Face Detection）、车辆检测（Vehicle Detection）等细分类的目标检测算法。
图1-1 物体识别和目标检测示意图
图像语义分割从字面意思上理解就是让计算机根据图像的语义来进行分割。在语音识别领域，语义指的是语音的含义；而在图像领域，语义则指的是图像的内容，即对图片意思的理解。例如，在图1-2所示的图像语义分割示意图中，3个人骑着3辆自行车，其中，左右两个人和自行车只露出一小部分。分割指的是从像素的角度分割出图片中的不同对象，并对原始图片中的每个像素都进行标注，如图1-2中的粉色代表人，绿色代表自行车。
图1-2 图像语义分割示意图
运动跟踪是指对图像序列中的同一个运动目标进行实时的检测、识别、提取，并最终获得运动目标的运动参数。运动跟踪可以实现对运动目标的行为理解，以完成更高一级的目标检测任务。运动跟踪算法需要从图像序列或视频中寻找被跟踪物体的位置，并适应各类光照变换、运动模糊和表观的变化等。当被跟踪物体发生了旋转、缩放等变化时，运动跟踪算法需要通过第一帧图像的建模学习很好地适应，以在后续的图像中完成连续的跟踪。然而，受限于第一帧图像的学习训练样本过少，尽管很多算法在随后的跟踪过程中会进行更新，但是仍然难以得到一个良好的运动跟踪模型。因此，当被跟踪物体的图像信息有较大变化时，对运动跟踪算法提出了巨大的挑战。
视觉问答是近年来非常热门的一个研究方向。一般来说，视觉问答系统需要将图片和问题作为输入，结合这两部分信息产生一个用人类语言表述的答案作为输出。针对一张特定的图片，如果想要机器通过自然语言处理来回答关于该图片的某一个特定问题，那么需要机器对图片的内容、问题的含义和意图，以及相关的常识有一定的理解。视觉问答的本质是一个多学科研究问题。
基于视觉的三维重建是指先通过照相机获取场景物体的数据图像，经分析处理再结合计算机视觉知识，推导并呈现虚拟情境中的三维物体。三维重建的重点在于获取目标场景或物体的深度信息。在目标场景或物体的深度信息已知的条件下，经过点云数据的配准和融合即可实现目标场景或物体的三维重建。三维重建本身具有更细的划分，如航拍地形的三维重建、雕塑的三维重建等。