机器视觉发展为何如此迅猛，原因竟然是这些

这个标题读起来有点绕，但是确实反映出一个事实：今天除了人类自己的眼睛，还有越来越多的"机器之眼"在帮助我们观察、记录和分析着周遭的这个世界，让我们实际的视觉能力大为扩展和增强。目前在中国，由公安系统引导安装的监控摄像机就超过了2000万台，一个月的数据流量达7500PB。再考虑到那些家庭和个人安装的监控摄像头，我们爱车上倒车影像、行车记录仪等视觉传感装置，以及GoPro这种拉风的消费级数码视觉单品……不知不觉中，我们已经置身于一个机器视觉的汪洋大海中。

顾名思义，机器视觉的核心价值，就是代替人眼和人脑对图像和视频信息作出感知和分析判断。虽然机器视觉不算一个新概念，却在过去的10年中获得了高速的发展，且在可以预见的未来仍然保持相当的加速度。机器视觉这样一种发展态势，得益于三个因素。

第一个因素就是摩尔定律。从硬件的角度来看，一个机器视觉系统包含两个核心的器件：一个是CMOS图像传感器（摄像头），一个是处理器。而这两者都是可以通过标准CMOS半导体工艺制造的，因此也就被套上了摩尔定律的的"魔咒"，在似乎永无止境的追求"三低一高"(低功耗、低成本、小尺寸、高性能)的征途上一路狂奔，不断拉低机器视觉的获取成本。想一想今天一个入门级手机摄像头的分辨率，可能和几年前中高端单反相机图像传感器的级别相当，这恐怕就是用户对摩尔定律作用最直观的感受了。

摩尔定律同样在推动处理器性能的提升，使其完全可以胜任复杂的图像处理计算。在处理器硬件架构的选择上，今天机器视觉的开发者有多种选择：可以选择专门为图像处理优化的DSP；也可以选择采用ARM+GPU或其他图像协处理器的平台；还有基于ARM+FPGA可编程逻辑的异构处理架构（如Xilinx Zynq 7000）可供使用。即使是主流的ARM通用处理器平台，配合优化的软件算法，同样可以在很多机器视觉应用中施展拳脚。想要获得性价比更高的机器视觉处理器，对用户来说只是一个时间问题。

推动机器视觉快速发展的第二个因素，就是日益丰富的算法和软件资源。可以说被摩尔定律"绑架"了的硬件降低了机器视觉的使用门槛，但想真正让机器像"人眼+人脑"一样运转起来，甚至更高能和高效地运转，就必须要有软件的配合。在上个世纪，做机器视觉的算法和软件，绝对是一个烧脑的工作，公司里没有几个Ph.D是不敢开张的。这样的局面从2000年起发生了改变——那一年Intel发布了OpenCV，这是一个基于BSD许可的开源跨平台计算机视觉库，开发者通过一系列C/C++函数可以方便地实现很多图像和视觉处理方面的通用算法。从那时起，基于不断更新的OpenCV库，演化出了为不同机器视觉应用而优化的功能和算法，且更容易在嵌入式处理器中移植和运行，由此逐渐形成了完备的机器视觉软件生态系统。与此同时，很多商业版的软件开发工具也开始将视觉处理功能集成在其中，令机器视觉的应用开发更加触手可及。

图1，安富利提供的Blackfin嵌入式视觉学习开发套件，包括完整的硬件和软件资源，可以帮助机器视觉开发者快速上手

可以说，硬件和软件生态环境的成熟，造就了过去十年机器视觉版图的快速扩张。而接下来，变得更加"智能"，则是机器视觉发展的核心诉求。在这个过程中，第三个要素将发挥至关重要的作用，它就是"人工智能"。利用深度学习等人工智能的核心技术，机器视觉将获得自我学习演化、不断迭代增强的能力，越用越"聪明"。

人工智能与机器视觉相结合，比较经典的做法就是将采集到的数据传输到云端，在云端训练出一个具有数据分析判断和自我学习进化能力的最强"大脑"。与此同时，今天也有人在考虑，依托性能日益强大的机器视觉终端的能力，直接对终端进行训练，让深度学习的算法在终端产品上落地，以获得更好的实时、准确率、可靠性，也避免了在云端可能存在的隐私安全等方面的问题。无论是哪种思路，其成功的应用，无疑都会对机器视觉的未来产生深远的影响。

总之，在机器的世界里，人类眼睛的工作——至少是部分工作——已经成了简单重复性的"力气活儿"，在诸多要素的合力下，机器视觉代替甚至超越人类视觉的进程，已经停不下来了。