計(jì)算機(jī)視覺(jué)領(lǐng)域一般不同的應(yīng)用有著不同的算法實(shí)現(xiàn)，我主要研究的就是計(jì)算機(jī)視覺(jué)方面的應(yīng)用，主要是在圖像預(yù)處理、分類(lèi)、目標(biāo)檢測(cè)等方面。

1. 圖像分類(lèi)。圖像分類(lèi)是根據(jù)圖像的語(yǔ)義信息將不同類(lèi)別圖像區(qū)分開(kāi)來(lái)，是計(jì)算機(jī)視覺(jué)中重要的基本問(wèn)題，也是圖像檢測(cè)、圖像分割、物體跟蹤、行為分析等其他高層視覺(jué)任務(wù)的基礎(chǔ)。機(jī)器學(xué)習(xí)方面的算法有SVM、Adaboost、決策樹(shù)以及貝葉斯分類(lèi)器等；深度學(xué)習(xí)方面經(jīng)典的算法有AlexNet、VGG、GoogleNet、ResNet等網(wǎng)絡(luò)。

2. 目標(biāo)檢測(cè)。目標(biāo)檢測(cè)就是在復(fù)雜場(chǎng)景中檢測(cè)出我們需要的目標(biāo)，又用傳統(tǒng)機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)的，也有用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)的。傳統(tǒng)機(jī)器學(xué)習(xí)算法比如利用Adaboost進(jìn)行人臉檢測(cè)、SVM算法實(shí)現(xiàn)行人檢測(cè)等；深度學(xué)習(xí)方面目標(biāo)檢測(cè)算法，既有基于區(qū)域建議的R-CNN、Fast R-CNN、Faster R-CNN等兩個(gè)階段的目標(biāo)檢測(cè)算法，也有Yolo、SSD等端到端的目標(biāo)檢測(cè)算法。

3. 目標(biāo)跟蹤。目標(biāo)跟蹤，是指在特定場(chǎng)景跟蹤某一個(gè)或多個(gè)特定感興趣對(duì)象的過(guò)程。我之前做過(guò)目標(biāo)跟蹤的實(shí)驗(yàn)，利用的是傳統(tǒng)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(guān)濾波算法等。深度學(xué)習(xí)算法中有DLT、FCNT、MD Net等網(wǎng)絡(luò)，深度學(xué)習(xí)目標(biāo)跟蹤算法接觸的少，不是很了解。

4. 語(yǔ)義分割。語(yǔ)義分割是計(jì)算機(jī)視覺(jué)中的基本任務(wù)，在語(yǔ)義分割中我們需要將視覺(jué)輸入分為不同的語(yǔ)義可解釋類(lèi)別，「語(yǔ)義的可解釋性」即分類(lèi)類(lèi)別在真實(shí)世界中是有意義的，將整個(gè)圖像分成一個(gè)個(gè)像素組，然后對(duì)其進(jìn)行標(biāo)記和分類(lèi)。傳統(tǒng)的圖像分割算法有基于閾值的分割算法、基于區(qū)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(xiàn)在深度學(xué)習(xí)算法在語(yǔ)義分割上效果更好，比如現(xiàn)在最常用的全卷機(jī)神經(jīng)網(wǎng)絡(luò)算法（FCN）。

還有好多應(yīng)用，比如人臉檢測(cè)識(shí)別，有Adaboost算法、MTCNN網(wǎng)絡(luò)以及FaceNet網(wǎng)絡(luò)等；文字識(shí)別，智能駕駛，醫(yī)學(xué)圖像處理等等，分別有不同的算法實(shí)現(xiàn)。

計(jì)算機(jī)視覺(jué)編程語(yǔ)言的話需要根據(jù)算法以及平臺(tái)來(lái)選擇。傳統(tǒng)圖像處理大都用的是opencv和matlab平臺(tái)，分別用C++語(yǔ)言和matlab語(yǔ)言；深度學(xué)習(xí)框架大都是基于Python的API實(shí)現(xiàn)的，可以用python語(yǔ)言實(shí)現(xiàn)，比如Tensorflow、Caffe、keras以及MxNet等平臺(tái)，當(dāng)然Caffe還可以用C++實(shí)現(xiàn)。