下午突然接到王老板的电话，提议整理一下工作内容，合作写专著。估计是为了准备参评 “伯爵”。
从读博士，到现在，一直做一线开发工作。做计算机视觉，也有8年的时间了了。是时候该整理一下了。本文的写作目的，有三个：
- 介绍我在CV方面的工作经历，希望能找到更有趣的项目和团队；
- 总结CV学习和工作经验，反思过往；
- 整理CV学习资源，培养自己的团队；
计算机视觉是机器智能的重要信息窗口，当前最热的CV应用：车牌、人脸、人流、车流、医学病理影像分析、工业质检、（中高速）移动目标跟踪、远距离探测，都再过去一年里，取得了重要的进步。
一、关于代码和文档
优秀代码，之于程序员，就如同研究员读文献一样，非常重要。
本人的GitHub主页，提供了本文所述的部分代码。当然，更多源代码，以及源代码的部署安装，需要付费，才能取得，包含下方图示中所有标识【黄色小旗】的项目，均有源代码。
Ruogu7/CV_practicegithub.com
二、总体框架图
上图中，橙色标签的项目，均有源代码与相应数据。 请联系 ruogu_autodriving 购买
三、CV算法的意义
从哲学角度去思考，相比矢量图，栅格图像作为信息载体，能够最大程度展示窗口中的所有物体表面信息。图像处理算法，是人类面向自然世界信息处理的，重要门槛。
根据以往的工作经历，我把CV实践工作，分为以下几个方面，方便CV新人学习。
四、CV实践方法
- 多阅读优秀的Demo代码
看万卷不如行万里路。 工程师的目标是解决现实问题，不只是指出解决问题的办法。
- 从单一功能的算法开始入手
在单一功能的算法项目上，做到大数据量、高精度，展示对某一个领域的深刻洞察，对于推广算法设计至其他领域，至关重要。具体内容，详见第六部分。
- 读文献，重视理论，增强逻辑思维
直到现在，CV领域，最重要的一个数学方式卷积神经网络CNN。而CNN又源自NN。
不巧，大多数神经网络的研究，都得益于30 年前的一篇阐述多层神经网络训练方法的论文。那就是 Geoffrey Hinton 在 1986 年写下的《Learning representations by back-propagation errors》。
这篇论文具有重要的意义，可以说是代表着反向传播算法（Backpropagation algorithm）首次被引入到多层神经网络训练，为后来该算法的推广埋下伏笔，尤其是为人工智能在最近 10 年的发展奠定了基础。
从 Hinton 本人的实践看来，解谜人的大脑将被包含在这种路径之中，近年来，这位 “人工神经网络之父” 频频表现出了其对脑科学研究的浓厚兴趣，并发表了一定数量的有关脑神经科学的论文。
可见，投身CV做研究，有着非凡的意义。CV与数学结合非常紧密，数学的发展，甚至基础科学的发展，相比历史，可能要慢得多。
对CV及相关科学的理论的掌握，有助于取得非常特殊的相对优势。
- 深入底层，设计CV应用框架
CV最终还是应用于工程、系统中，因此，CV应用框架也非常重要。
五、数学物理基础
- 卡尔曼滤波
- HMM
- CNN
- ANN
六、单目标的算法
七、基于仿真平台的算法实践
我主要基于ROS、CarLA做视觉应用。
- ROS
- CarLA
基于CarLA的车道线检测和交通标识识别与理解。
另一个例子，就是车牌识别。虽然是比较成熟的应用，但是要想做到产品级别，还是有大量的工作。
若谷：深入车牌识别的图像处理过程（含源码）zhuanlan.zhihu.com
八、工程实践
算法离不开工程实践平台。工程实践与算法不匹配的时候，人工智能就立即变成人工智障。
从数据采集（串口开发）、传输（加密与通信）、存储，到数据分析（标注、泛化、建模），到系统部署（硬件加速、迁移），工程实践，比算法的难度，只增不减。
以上各个部分，将会陆陆续续，在《自动驾驶工程技术》专栏，一一介绍。
更多信息，请参考：本人的GitHub主页。
https://github.com/Ruogu7/CV_practicegithub.com分享一个《自动驾驶行业》交流微信群
若谷：自动驾驶行业交流群及公约zhuanlan.zhihu.com
7万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
