如果想要機器能夠進行思考，我們需要先教會它們?nèi)タ础?/p>

李飛飛——Director of Stanford AI Lab and Stanford Vision Lab

計算機視覺（Computer vision）是一門研究如何使機器“看”的科學，更進一步的說，就是指用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步做圖像處理，用計算機處理成更適合人眼觀察或進行儀器檢測的圖像。

學習和運算能讓機器能夠更好的理解圖片環(huán)境，并且建立具有真正智能的視覺系統(tǒng)。當下環(huán)境中存在著大量的圖片和視頻內(nèi)容，這些內(nèi)容亟需學者們理解并在其中找出模式，來揭示那些我們以前不曾注意過的細節(jié)。計算機視覺的實現(xiàn)基本過程為：

計算機從圖片中生成數(shù)學模型

計算機圖形在模型中對圖像進行繪制，然后在圖像處理過程中將其作為輸入，另外給出處理圖像作為輸出

計算機視覺的理念在某些方面其實與很多概念有部分重疊，包括：人工智能、數(shù)字圖像處理、機器學習、深度學習、模式識別、概率圖模型、科學計算以及一系列的數(shù)學計算等。因此，你可以將本文看成是深入這個領(lǐng)域研究的第一步。本文將盡量包涵到盡可能多的內(nèi)容，但是可能仍然會存在一些較為復雜的主題，也有可能存在某些遺漏之處，敬請見諒。

丨第一步——背景

通常來說，你應該具有一點相關(guān)的學術(shù)背景，比如上過有關(guān)概率學、統(tǒng)計學、線性代數(shù)、微積分（微分與積分）等相關(guān)課程，對矩陣計算有一定了解更好。另外，從我的經(jīng)驗來看如果你對數(shù)字信號處理有了解的話，在以后對于概念的理解來說會更加容易。
在實現(xiàn)層面來說，你最好能夠會用MATLAB或者Python中的一種，一定要記住的是計算機視覺幾乎全部與計算機編程有關(guān)。

你也可以在Coursera上選修《概率繪圖模型》一課，這門課程相對較難（講得比較深入），你也可以在學習一段時間之后再對其進行了解。

丨第二步——數(shù)字圖像處理

觀看來自杜克大學的Guillermo Sapiro所教授的課程——《圖像和視頻處理：從火星到好萊塢Image and Video Processing: From Mars to Hollywood with a Stop at the Hospital》，該課程所提供的教學大綱每章都是獨立的且包涵大量的練習，你可以在coursera和YouTube上找到相關(guān)的課程視頻信息。另外你可以看下Gonzalez與Woods編寫的《數(shù)字圖像處理（Digital Image Processing）》一書，使用MATLAB來運行其中所提到的范例，相信一定會有所獲。

丨第三步——計算機視覺

一旦學習完有關(guān)數(shù)字圖像處理有關(guān)內(nèi)容，接下來應該了解相關(guān)的數(shù)學模型在各種圖像和視頻內(nèi)容中的應用方法。來自佛羅里達大學的Mubarak Shah教授在計算機視覺方面的課程可以作為一門很好的入門課程，其涵蓋了幾乎所有的基礎(chǔ)概念。

觀看這些影片的同時，可以學習Gatech的James Hays教授的計算機視覺項目課程所使用的概念和算法，這些練習也都是基于MATLAB的。千萬不要跳過這些練習，只有在真正的練習過程中才會對這些算法和公式有更深入的了解。

丨第四步——高級計算機視覺

如果你認真學習了前三步中的內(nèi)容，現(xiàn)在可以進入到高級計算機視覺相關(guān)學習了。
來自巴黎中央理工學院的Nikos Paragios和Pawan Kumar講授了一門人工視覺中的離散推理（Discrete Inference in Artificial Vision）課程，它能提供相關(guān)的概率圖形模型和計算機視覺相關(guān)的大量數(shù)學知識。

到現(xiàn)在這一步來看就比較有趣了，這門課程一定能讓你感受到用簡單模型構(gòu)筑機器視覺系統(tǒng)有多么復雜。學完這門課程的話，在接觸學術(shù)論文之前又邁進一大步。

丨第五步——引入Python和開源框架

這一步我們要接觸到Python編程語言。
就Python而言有許多像 OpenCV、PIL、vlfeat這樣的相關(guān)擴展包，現(xiàn)在就是將這些擴展包運用到你的項目中的最好時機。因為如果有其他的開源框架存在的話，沒有必要從頭開始來編寫一切內(nèi)容。
如果需要參考資料的話可以考慮《使用Python對計算機視覺進行編程 Programming Computer Vision with Python》，使用這本書就夠了。你可以動手去嘗試下，看看MATLAB和Python結(jié)合的話如何來實現(xiàn)你的算法。

丨第六步——機器學習與CovNets（卷積神經(jīng)網(wǎng)絡(luò)）

有關(guān)如何從頭開始機器學習的資料實在太多，你可以從在網(wǎng)上查找到大量相關(guān)教程。

從現(xiàn)在開始最好一直使用Python進行編程，可以看下《使用Python建立機器學習系統(tǒng)——Building Machine Learning Systems with Python》和《Python機器學習——Python Machine Learning》這兩本書。
目前深度學習正大行其道，可以試著學習卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應用（ Computer Vision: the use of CovNets），在此推薦斯坦福的CS231n課程：針對視覺識別的卷積神經(jīng)網(wǎng)絡(luò)。

丨第七步——如何才能更進一步

行文至此，你可能會覺得已經(jīng)講了太多的內(nèi)容，需要學的已經(jīng)太多。但是，你還可以進一步進行探索研究。
其中一個方法是看看由多倫多大學的Sanja Fidler和James Hays所舉行的一系列研討會課程，能幫助你對當下計算機視覺研究方向的最新概念有所理解。
另一種即跟著 CVPR、ICCV、 ECCV、 BMVC這些頂級學術(shù)會議的相關(guān)學術(shù)論文，通過會上的研討會、主旨演講以及tutorial等日程一定能學到不少知識。

總結(jié)：如果你按照步驟一步步完成所有的學習任務，屆時你將大概了解計算機視覺中有關(guān)濾波器、特征檢測、描述、相機模型、追蹤器的歷史，另外還學習到分割和識別、神經(jīng)網(wǎng)絡(luò)和深度學習的最新進展。希望本文能幫助你在計算機視覺領(lǐng)域走得更遠，學習得更加深入。