用眼睛认出眼前的东西,对我们来说再自然不过。但在这背后,大脑里那套"湿件"跑着的认知过程,其实相当惊人。哪怕被推到进化设计之外,比如高速开车,我们的视觉系统大多也能跟上。
打开网易新闻 查看精彩图片
要用人工认知系统去模仿这些过程,就得先有特征提取算法。霍夫变换就是其中之一。
它最早由保罗·霍夫在20世纪60年代提出,用途是对气泡室照片中的图案做机器分析。从那以后,这个基础算法不断演化,早已不只是检测穿过气泡室的粒子留下的直线。
关键仍在于找出场景中可能构成线条的那些点,而这需要边缘检测。和基础示例不同,真实场景的复杂度让这类算法的实际使用变得困难。像原始算法那样朴素地检查所有可能的直线,耗时太长,于是有了各种优化:时间大幅缩短,对像素噪声的处理也更好。
找到场景中所有潜在的线条和物体边界之后,计算机视觉的下一步是识别看到了什么、这对当前任务意味着什么,并确定合适的动作。这时,来自雷达或激光雷达等其他传感器的额外场景信息会非常有帮助——尤其是当你就是那个控制着汽车的系统时。
这样的例子确实让人体会到,要造出能模仿动物几乎不费力就能做到之事的人工认知算法,有多难。甚至还没谈到认知中"智能"的那一部分,光是想到人类为了不 constantly 撞上东西要付出多少努力,就足够让人感叹了。
热门跟贴