霍夫变换如何让计算机学会“看见”

从气泡室照片的直线检测出发,霍夫变换成为计算机视觉提取边缘与直线的经典方法;现实场景的复杂度推动优化算法,并常与雷达、激光雷达等传感器配合。

人类用眼睛识别物体仿佛毫不费力,背后却是大脑复杂的认知过程。要让机器模仿这种能力,计算机视觉必须依靠特征提取算法,霍夫变换就是其中经典的一种。The Synthetic Mind 的视频对此做了通俗讲解。

从气泡室到图像边缘

霍夫变换由 Paul Hough 在 20 世纪 60 年代提出,最初用于机器分析气泡室照片中的图案。此后基础算法不断演化,不再局限于检测穿过气泡室的粒子直线。

关键仍是找出场景中可能构成直线的点,这需要边缘检测。现实场景的复杂程度让这些算法的实际应用变得困难:如果像原始算法那样朴素地检查所有可能直线,耗时会过长,因此出现了优化版本,用更少时间处理像素噪声。

检测之后还要理解

找到场景中潜在的直线和物体边界后,计算机视觉的下一步是识别看到的是什么、它对当前任务意味着什么,并决定合适的行动。此时,引入雷达或激光雷达等传感器提供的额外场景信息会非常有帮助,尤其当系统正在控制汽车时。

这些例子也让人更能体会,要做出能模仿动物近乎本能能力的机器认知算法有多难。甚至不必讨论认知中的智能子集,单是让我们人类不 constantly 撞上东西,就已经需要惊人的努力。

视频地址:How Hough Transforms Teach Computers to See

收录于

讨论

0 条评论

同分类推荐

创客