写在PIP大作业之后的体会

传统视觉算法要解决的两大问题：

• 程序员如何找到合适的判定条件（思维和经验）

• 如何让这些判定条件体现在图像或者数值上（图像处理和合适的算法），以便让机器识别

前者决定着后者，你对目标有什么样的认识，认识的深度如何，都会决定你处理图像使用的手段（函数） 也就是说，程序员的水平很大程度上体现在代码的思路上

• 目标有哪些属性或特征，能否通过检测这些特征来识别目标

  • 颜色（也就是图像矩阵的值，包括但不限于色相饱和度亮度等等）

  • 形状

  • 位置（非优先考虑）

  • 上面三者的组合

• 如果想到了有多种方法，如何择优？换句话说，应当设计什么样的解决方案？

  • 要处理的数据量尽量小（比如筛选直线和筛选点，应该选择筛选点，因为两点一线

    通常要选取维度高的处理手段，比如处理一个图像上的矩形，最好采用轮廓检测或椭圆拟合，而不是用霍夫变换检测出很多个结果，而且调参数还麻烦

  • 算法要足够简单易懂明了，复杂的算法往往具有更弱的鲁棒性和泛用性

• 我要检测的目标会同时出现几个，如果多个，会干扰我对目标的正常检测么

• 选定的检测判据是否收到其他因素的干扰（比如我要检测靶子上的灯条，地面反光和机身灯的干扰）

  • 若果有，则换一个判据或者将判定条件更细化（分而治之，缩小范围，直至得解）

• 细化到一定程度就能够知道用什么样的手段来处理图像，前提是你对OpenCV中含有的工具和数据结构足够熟悉，否则基本知识的贫乏会反过来限制你的想象思维

  总结起来就是，你懂目标，懂工具怎么用，计算机就懂你