机器视觉与计算机视觉的区别?

计算机视觉与机器视觉,首先是应用场景不一样,就像@Vinjn张静 回答的那样:你把摄像头对着人就是CV,对着车间就是MV。

计算机视觉和机器视觉应用场景不同,就像拉货车和载客车是的,侧重点不同而已,一个侧重人工智能分支,一个侧重工业应用!简单说起来的话,计算机视觉偏重于深度学习并且偏向软件,机器视觉偏重于特征识别同时对硬件方面要求也比较高,不过随着对智能识别要求越来越高的发展,这两个方向毕竟会互相渗透互相融合,区别也仅仅限于应用领域不同而已。

其次,我感觉最大的区别,在于技术要求的侧重点不一样,甚至差别很大。 计算机视觉,主要是对质的分析,比如分类识别,这是一个杯子那是一条狗。或者做身份确认,比如人脸识别,车牌识别。或者做行为分析,比如人员入侵,徘徊,遗留物,人群聚集等。 机器视觉,主要侧重对量的分析,比如通过视觉去测量一个零件的直径,一般来说,对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班,做过控制系统,还开过内燃机车,很清楚道岔缺口的重要性,这玩意儿你说要是测不准,呵呵:) 当然,也不能完全按质或量一刀切,有些计算机视觉应用也需要分析量,比如商场的人数统计。有些机器视觉也需要分析质,比如零件自动分拣。但,计算机视觉一般来说对量的要求不会很高,商场人数统计误差个百分之几死不了人的,但机器视觉真的会,比如那个道岔缺口测量。 既然要求这么高,是不是机器视觉就比计算机视觉难呢?也不是的,应该说各有各的难处。 计算机视觉的应用场景相对复杂,要识别的物体类型也多,形状不规则,规律性不强。有些时候甚至很难用客观量作为识别的依据,比如识别年龄,性别。所以深度学习比较适合计算机视觉。而且光线,距离,角度等前提条件,往往是动态的,所以对于准确度要求,一般来说要低一些。 机器视觉则刚好相反,场景相对简单固定,识别的类型少(在同一个应用中),规则且有规律,但对准确度,处理速度要求都比较高。关于速度,一般机器视觉的分辨率远高于计算机视觉,而且往往要求实时,所以处理速度很关键,目前基本上不适合采用深度学习。 以上讨论的是技术,商业方面,计算机视觉的应用面更广一些,毕竟很多业务是跟人相关,比如人脸识别,行为分析等,很多垂直领域都有计算机视觉潜在需求,相对来说,更适合创业; 而机器视觉顾名思义,业务主要跟机器相关,而且对准确度甚至安全性要求很高,也就在资质品牌方面有较高的门槛,所以寡头垄断严重,一般来说,更适合上班而不是创业。

机器视觉(Machine Vision, MV) & 计算机视觉(Computer Vision, CV) 从学科分类上, 二者都被认为是 Artificial Intelligence 下属科目. 有几个分支: 一个是图像处理,主要是信号与系统,统计,优化 一个是求解景物与图像之间的关系,如立体视觉、三维重建,主要是几何 一个是模式识别,例如如何分割图像、识别目标,主要是人工智能

但实际提及时, 主观感觉上 MV 更多注重广义图像信号(激光,摄像头)与自动化控制(生产线)方面的应用。 CV 更多注重(2D, 3D)图像信号本身的研究以及和图像相关的交叉学科研究(医学图像分析,地图导航)。 Wikipedia 转来个图:

来源:https://www.zhihu.com/question/23183532

声明:本文系网络转载,版权归原作者所有。如涉及版权,请联系删除!

原文发布于微信公众号 - 智能算法(AI_Algorithm)

原文发表时间:2016-12-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【重磅】马斯克的AI野心——OpenAI Gym系统深度解析

【新智元导读】开源人工智能系统 OpenAI 的成立打破了谷歌、Facebook 等巨头霸占 AI 领域的格局,但其创始人、特斯拉CEO马斯克多次发表人工智能威...

3619
来自专栏人工智能快报

根据达尔文进化论,只有最强人工智能算法才能生存

国际财经媒体Quartz报道,据谷歌和美国“开放人工智能实验室”(OpenAI)的一项研究,类达尔文进化论的神经进化理论可以帮助人工智能算法进化优化。 现代人工...

3709
来自专栏腾讯高校合作

【犀牛鸟·视野】现场报道 | SIGGRAPH Asia 2017 (DAY 2):“图像和显示”session探究

今天是SIGGRAPH Asia 2017的第二天,与昨天稍显冷清的会场相比,今天可谓是百花齐放,热闹非凡,这主要是因为有两大重头戏上演,即各式各样的展台(Ex...

3547
来自专栏大数据文摘

数据科学中的“数据智慧”

18110

实用的机器学习问题

什么是机器学习?我们也许可以阅读机器学习的权威定义,实际上,机器学习由解决的问题来定义。因此,理解机器学习的最好的方法就是看一些例题。

3237
来自专栏AI科技评论

独家科普:谷歌“汉译英”错误率降低60%是怎样算出来的?

两天前谷歌宣布发布新一代神经网路机器翻译系统(Google Neural Machine Translation),简称GNMT,因为使用当前最先进的训练技术,...

3217
来自专栏量子位

纯新手入门机器/深度学习自学指南(附一个月速成方案)

准备用三个月入门,和想要一个月速成,肯定是截然不同的路径。当然我建议大家稳扎稳打,至少可以拿出五个月的时间来学好机器学习的基础知识。

1061
来自专栏专知

搞机器学习,不认识他们怎么行?

【导读】本文是机器学习爱好者Aditya Ananthram撰写的关于机器学习领域中几个大牛的介绍文章,对于今天AI的火热程度而言他们功不可没,因为如果没有这些...

3816
来自专栏机器之心

讨论 | Reddit热门话题:你是否也对NLP的现状感到失望?

3616
来自专栏智慧建筑

人工智能

在智慧建筑项目中会接触到一些AI相关的功能。人脸识别是其中最常用的算法,基本是每个项目标配。今天就从人脸识别入手谈谈AI在实际项目中的使用情况。

2224

扫码关注云+社区

领取腾讯云代金券