【AI数字人系列】五、数字人基础技术——计算机视觉

人类获取的信息有83%来自视觉，11%来自听觉，剩下的6%来自嗅觉、触觉、味觉。所以对人类来说，视觉是最重要的一种感官。计算机视觉是机器认知世界的基础，解决的问题就是让计算机看懂图像或视频里的内容，能像人那样通过视觉观察和理解世界。
计算机视觉的三大基础任务为分类、检测和分割。分类就是回答一张图是猫的问题；检测就是识别图中的猫和狗，并在图中定位出来；分割就是将猫和狗从图中提取出来。

图像分类

根据图像中的语义信息对不同类别的图像进行区分是一个涉及计算机视觉和认知科学的复杂问题。人和计算机理解图像的方式存在本质差异，主要体现在以下几个方面：

1. 认知方式差异：

• 人类视觉系统：通过多年进化形成的模式识别能力，能够快速识别物体的整体特征和语义信息。例如：
  • 看到猫时能自动识别其耳朵形状、胡须等特征
  • 看到狗时会注意其体型、尾巴形态等特征
• 计算机视觉系统：将图像解析为数字矩阵
  • 彩色图像被分解为RGB三通道的数值矩阵
  • 每个像素点仅包含0-255的亮度值信息

2. 特征提取过程：

• 人类：采用自上而下的认知方式
  • 先识别整体轮廓
  • 再关注局部细节
  • 结合先验知识进行判断<