【总结】
- 计算机视觉 机器视觉 图像处理 关系
- 计算机视觉
- 侧重点：对质的分析
- 有时候会兼顾量的分析
- 举例
- 商场的人数统计
- 总体特点：量要求不是很高
- 举例
- 商场人数统计误差个百分之几死不了人的
- 特点
- 应用场景相对复杂
- 识别的物体类型多
- 形状不规则
- 规律性不强
- 有些时候甚至很难用客观量作为识别的依据
- 举例
- 识别年龄，性别
- 准确度要求相对低一些
- 因为：光线，距离，角度等前提/背景条件，往往是动态的变化的
- 适合的算法
- 深度学习
- 应用举例
- 分类识别
- 举例
- 这是一个杯子
- 那是一条狗
- 身份确认
- 举例
- 人脸识别
- 车牌识别
- 行为分析
- 举例
- 人员入侵
- 人员徘徊
- 遗留物
- 人群聚集
- 商业和创业
- 很多业务是跟人相关
- 很多垂直领域都有计算机视觉潜在需求
- 更适合创业
- 机器视觉
- 侧重点：对量的分析
- 特点
- 对准确度要求很高
- 举例
- 道岔缺口测量，如果有误，可能会死人
- 有时候会分析质
- 举例
- 零件自动分拣
- 特点
- 场景相对简单固定
- 识别的物体类型少
- 在同一个应用中
- 识别的物体规则且有规律
- 对准确度和处理速度要求比较高
- 注：
- 一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时
- 适合的算法
- 基本上不适合采用深度学习
- 应用举例
- 测量零件的直径
- 测量铁路道岔缺口
- 商业和创业
- 主要跟机器相关
- 对准确度甚至安全性要求很高
- 在资质品牌方面有较高的门槛
- 寡头垄断严重
- 更适合上班而不是创业
转载请注明：在路上 » 【整理】机器视觉MV vs 计算机视觉CV