最常用的算法有哪些？

計算機視覺領域一般不同的應用有著不同的算法實現，我主要研究的就是計算機視覺方面的應用，主要是在圖像預處理、分類、目標檢測等方面。

1. 圖像分類。圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。機器學習方面的算法有SVM、Adaboost、決策樹以及貝葉斯分類器等；深度學習方面經典的算法有AlexNet、VGG、GoogleNet、ResNet等網絡。

2. 目標檢測。目標檢測就是在復雜場景中檢測出我們需要的目標，又用傳統機器學習算法實現的，也有用深度學習進行目標檢測的。傳統機器學習算法比如利用Adaboost進行人臉檢測、SVM算法實現行人檢測等；深度學習方面目標檢測算法，既有基于區域建議的R-CNN、Fast R-CNN、Faster R-CNN等兩個階段的目標檢測算法，也有Yolo、SSD等端到端的目標檢測算法。

3. 目標跟蹤。目標跟蹤，是指在特定場景跟蹤某一個或多個特定感興趣對象的過程。我之前做過目標跟蹤的實驗，利用的是傳統的圖像處理算法，比如光流法、粒子濾波法、卡爾曼濾波法以及KCF相關濾波算法等。深度學習算法中有DLT、FCNT、MD Net等網絡，深度學習目標跟蹤算法接觸的少，不是很了解。

4. 語義分割。語義分割是計算機視覺中的基本任務，在語義分割中我們需要將視覺輸入分為不同的語義可解釋類別，「語義的可解釋性」即分類類別在真實世界中是有意義的，將整個圖像分成一個個像素組，然后對其進行標記和分類。傳統的圖像分割算法有基于閾值的分割算法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等；現在深度學習算法在語義分割上效果更好，比如現在最常用的全卷機神經網絡算法（FCN）。

還有好多應用，比如人臉檢測識別，有Adaboost算法、MTCNN網絡以及FaceNet網絡等；文字識別，智能駕駛，醫學圖像處理等等，分別有不同的算法實現。

計算機視覺編程語言的話需要根據算法以及平臺來選擇。傳統圖像處理大都用的是opencv和matlab平臺，分別用C++語言和matlab語言；深度學習框架大都是基于Python的API實現的，可以用python語言實現，比如Tensorflow、Caffe、keras以及MxNet等平臺，當然Caffe還可以用C++實現。

我現在實現傳統圖像處理算法的話用的是C++語言，深度學習算法在TensorFlow/Keras框架上用Python語言實現。