计算机视觉算法因其高度复杂性而为人所知。计算机视觉领域曾尝试一种新想法,这种想法是图像解析系统必须先把二维数据转换为对三维世界的描述,然后再推算出表面、体积、边界线、阴影、闭合线、深度和动态（Marr的范式）。但是许多构建三维全景的尝试都失败了,即使相关技术领域的研究有突破性进展,这个想法仍然是具有挑战性的。
在20世纪80年代后期,受到生物视觉系统的启发处理计算机视觉问题的另一种方法,是主动视觉范式[11,40,43],处理计算机视觉问题主要是考虑视觉任务的感知方面。所以,系统不再要求获得所观测图景的整个三维体现,而是仅仅通过任务驱动观察策略提取有用的信息来处理给定的问题。这种方法由几位研究者提出、开发以及应用,他们每个人都关注着视觉感知的不同方面。
我们在组成主动视觉范式的几种方法中（主动视觉、主动感知等）找到了一些共同点。其中的两个共同点是任务驱动感知和处理及获取的反馈。这意味着一个反馈环路驱动着数据获取进程的动态适应性,而这点又取决于系统的状态和进行的任务。人工系统中,这种追溯性能以不同方式呈现：机械方面（如相机运动）、光学方面（如调焦）、电子方面（如图像获取控制）或算法方面（如获取策略）。
初级视觉处理的是信息提取和背景适应这样的选择性进程[143],在人类视觉系统中,初级视觉任务是由眼睛和视觉神经无意识进行的,通过获取、调整和提取基本特征,信息最终到达大脑的意识区。在人工视觉系统中,初级视觉任务的目的是辨识图像的哪些区域所承载的信息可以回答给定问题,然后调整获取的结果,利用处理策略来提取这些区域中的信息。用这种方式,系统可以集中力量和资源来处理一个简化的数据集,而不用分析一个几兆像素的特定图像。(www.xing528.com)
但是与传统的被动方法相比,即使是主动方法,也倾向于简化了的视觉任务,它的处理进程相对来说也是消耗资源的。初级视觉通常处理低级的图像处理任务,而数据并行开发引人关注。一些算法是要同时处理几个任务的,这些算法的本质特征要求任务并行处理。而且一个自动系统可能需要处理一些高级的任务,例如认知或识别,比起低级图像处理,这些系统有不同的硬件要求。
当构建一个智能摄像机的硬件结构时,必须综合考虑这些因素,以便于提供一个合适的平台来运行所需的应用程序。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
