机器视觉入门之路（零，可遇可求）

不知何人说，可遇不可求！

但自从发明了计算机，指明了一条可遇可求的路！

搞计算机，都是从零开始的，这体现了搞计算机的辛苦和原创精神。

《视觉信息处理脑机制》中有句话，眼是人的前脑。而当下借用这句话形容，计算机视觉（cv）便就是人工智能（ai）的前脑。

learning opencv中的learning是什么意思呢？我想，应该是三个意思，第一，直接翻译，学习；第二，强调当下进行时的重要（隐含了一种动态），第三，learning等同于training（训练），是一种达到目的的方法（很像巴浦洛夫的条件反射，一种是先天的（膝跳反射，形体自身的），一种是后天的（形而上的，意识参与的）），即用来对结果的一种预测（predict）或识别（recongnize）的必经之路。通俗一点讲，即就是服务于匹配（Match）,匹配需要特征（feature），这便是学习和训练（learning&training）的灵魂。学习训练->找到特征->通过特征匹配识别预测，这不就是人眼及其熟练的事情吗？这不就是人工智能（ai）吗？

所以，你就会发现很多搞人工智能（ai）的人出身计算机视觉（CV）。记得陆奇（在富士康的演讲201609）说，2011年是ai元年，原因是cv子集机器视觉（mv，主要面向工业的cv）突破性进展而洞开了ai。2011年，生产的iPhone4手机，是很成熟的cv子集机器视觉（mv）技术应用的结果，譬如NI，evision，cognex，而这些机器视觉软件的通性就是学习训练->找到特征->通过特征匹配。所以机器视觉也是人工智能的子集。

Ai也是有前因的，所以高大上的深度学习，大数据模式识别，如何也绕不过cv的“学习->特征->匹配”，前面说过，这是人眼及其熟练的事情。匹配的目标，在极其感兴趣的区域（roi），所以，你进行学习（learning）的区域目标足够熟练，你就会找到巧妙的东西，那就是特征，那么，匹配就不再是难事，而变成一件有乐趣的事（很可惜，机器感受不到），进行的学习（learning）正是熟能生巧的习惯，学习，显然是有条件的学习，而这条件便是匹配的核心，不能发掘来时的条件，便是白来（学）了（习惯为常，知道并挖掘常，就能找到条件和特征，往往是恍然大悟。道德经说，知和为常，知常为明，所以，有春和景明，而深入浅出）。进行的学习（learning），随后便是匹配的历史，这就是，一切历史都是当下的历史。引用对吗？

既然ai的前脑是cv，那必然是向人学习，学习什么？那就是，对于一个目标，为什么我们会有这样的意识？实质是把不经意（常）揭示给机器看，那么首先，你要挖掘你的不经意（常）是什么，cv程序员必须做到这一点，因为机器要看，是由cv程序员完成的。在此，顺便赞一把程序员，芬兰教育部长说，未来，你的孩子不会编程，便不能创造世界。其实世界有时很微妙，你看时，你就会找到巧妙的东西，这个特征是你找到的，cv只是重复了一下；再看ai，是学你巧妙的找东西，这个特征是ai找到的。你可以看到，ai是cv的步进。

但是ai的任何算法，仍然是人类的智慧。

匹配识别的目的是为了准确行动，准确行动，要么勤加练习，要么交给测量的数据，不管人做还是机器做，测量准确，无可厚非!所以测量是除识别外，头等大事，而测量也无时不在为匹配识别服务。这便是重识别的opencv所欠缺的，所以要补全他，续不足。

人善用工具，使用工具测量，cv子集机器视觉（mv）也是这样，他有一套测量工具，内经云，事发于微，而显著。

故我们从不起眼的线开始。（待续................）

注，强调一下，计算机视觉很像感性的世界，机器视觉更像感性中的那丝丝理性。