下载文档原格式
机械识图知识点总结一、机械视觉的基本概念机械视觉，又称计算机视觉，是一门综合了图像处理、模式识别、图像分析、机器学习等多种技术的交叉学科。
其主要目标是让计算机系统具有类似人类视觉系统的能力，即能够通过摄像传感器获取外界图像信息，进行处理、分析和识别。
机械视觉的基本概念包括图像采集、图像处理和图像识别。
图像采集是指通过摄像传感器获取外界环境的图像信息，其关键技术包括图像传感器、光学成像系统、图像采集卡等。
图像处理是指对采集到的图像进行预处理、增强、去噪等处理，以便后续的图像识别和分析。
图像识别是机械视觉的核心技术，其主要目标是根据图像信息识别出图像中的目标物体，通常包括物体检测、目标跟踪、目标分类等内容。
二、机械视觉的工作原理机械视觉的工作原理主要包括图像采集、图像处理和图像识别三个方面。
首先是图像采集，通过摄像传感器获取外界环境的图像信息，通常采用CCD或CMOS传感器进行图像采集。
然后是图像处理，对采集到的图像进行预处理、增强、去噪等处理，以便后续的图像识别和分析。
最后是图像识别，通过图像处理技术识别出图像中的目标物体，包括物体检测、目标跟踪、目标分类等内容。
机械视觉的图像识别基于模式识别和机器学习技术，主要包括以下步骤：特征提取、特征匹配、目标分类和模式识别。
特征提取是指从图像中提取出一些具有代表性的特征，如边缘、纹理、颜色等特征。
特征匹配是指将提取出的特征与已知的目标特征进行匹配，以确定目标物体的位置和属性。
目标分类是指将匹配到的目标特征进行分类，判断目标物体属于哪一类别。
模式识别是指根据目标的特征和分类结果进行模式识别，以确定目标物体的具体属性和形态。
三、机械视觉技术的发展机械视觉技术的发展经历了几个阶段，主要包括图像处理技术、特征提取技术、模式识别技术和深度学习技术等。
图像处理技术是机械视觉技术的最早阶段，它主要应用于图像的预处理、增强、去噪等领域，为后续的图像识别提供了基础。
特征提取技术是机械视觉技术的关键技术之一，它通过提取图像中的特征信息，为后续的目标识别和分类提供了重要基础。
计算机视觉笔试题目及答案第一部分：基础理论题目一：请简要介绍计算机视觉的定义和应用领域。
计算机视觉是指利用计算机和相关技术对图像或视频进行处理、分析和理解的一门学科。
它与图像处理、模式识别、机器学习等领域密切相关。
计算机视觉的应用广泛，包括人脸识别、目标检测与跟踪、图像检索、三维重建等。
题目二：请简要说明计算机视觉系统的基本流程。
计算机视觉系统的基本流程包括图像获取、前期处理、特征提取与描述、目标检测与识别、结果输出等步骤。
首先，通过相机或其他设备获取图像或视频数据；然后对获取的图像或视频进行去噪、滤波等前期处理；接着进行特征提取与描述，即通过提取图像中的特征信息来表示图像内容；然后使用目标检测与识别算法来分析图像中的目标信息，识别出感兴趣的目标；最后将结果输出，如在屏幕上显示或保存到文件中。
题目三：简述计算机视觉中常用的特征描述符有哪些，并分别说明其原理。
常用的特征描述符包括SIFT(Scale-Invariant Feature Transform)、SURF(Speeded Up Robust Features)和ORB(Oriented FAST and Rotated BRIEF)等。
SIFT特征描述符是一种尺度不变的特征描述符。
它通过在不同尺度上检测和描述稳定的关键点，建立图像间的匹配关系。
具体原理是通过高斯差分算子检测图像中的极值点，并在每个极值点处计算局部方向直方图。
SURF特征描述符是一种加速的稳健特征描述符。
它通过构建尺度空间和积分图像，提取图像中的兴趣点，并计算其局部特征。
SURF特征描述符的主要优势是计算速度快，并具有一定的旋转和尺度不变性。
ORB特征描述符是一种具有方向性的快速特征描述符。
它结合了FAST特征点检测器和BRIEF描述符。
ORB特征描述符通过检测图像特征点的FAST角点，并在每个角点附近生成二进制字符串来描述特征。
第二部分：应用案例分析题目四：请选取计算机视觉在无人驾驶汽车领域的一个应用案例进行分析，并说明其实现原理。
软件开发中的计算机视觉应用程序设计计算机视觉（Computer Vision，简称CV）是计算机科学中一门涉及图像处理、模式识别、机器学习等多学科知识的交叉学科，旨在教会计算机“看”。
随着人工智能的发展，计算机视觉在各个领域中得到了广泛的应用。
在软件开发中，计算机视觉应用程序设计也成为了热门的方向。
一、计算机视觉在软件开发中的应用计算机视觉在软件开发中的应用涵盖了诸多领域，如图像识别、人脸识别、数字识别、字符识别、目标跟踪等。
将计算机视觉应用程序设计与软件开发结合可以实现自动化数据采集、处理和分析等功能。
1. 图像识别图像识别是计算机视觉应用程序设计中最常见的应用之一。
通过利用图像识别技术，可以自动化地从大量的图像数据中提取出感兴趣的信息，从而对图片进行分类、识别、检测等处理。
图像识别技术分为传统方法和深度学习方法两种，其中，深度学习方法在目标识别等领域表现出更好的性能。
2. 人脸识别人脸识别是计算机视觉应用程序设计中的一个重要领域。
通过人脸识别技术，可以实现在多个场景下的人脸检测、人脸关键点定位、人脸识别等功能，应用广泛，如门禁系统、人脸支付等。
在人脸识别领域，深度学习技术的应用相对较为成熟，性能也更好。
3. 数字识别数字识别是计算机视觉应用程序设计中的重要领域之一。
通过数字识别技术，可以从图像中自动识别数字，并将其转化为可处理的数据。
在数字识别领域，机器学习技术的应用相对成熟，通过训练模型，可以实现从输入的图像数据到输出的数字识别结果的过程。
4. 字符识别字符识别是计算机视觉应用程序设计的一个分支领域，通过方法或深度学习技术从图像中自动识别并提取出字符信息。
其应用广泛，如自动邮政编码、自动化图书馆管理等。
5. 目标跟踪目标跟踪在计算机视觉应用程序设计中也占有重要地位。
通过利用目标跟踪技术，可以将图像中的目标物体进行跟踪，并在目标物体移动时进行相应的修正。
在目标跟踪领域，深度学习技术的应用相对较新，但已经表现出很好的性能。
图像处理与计算机视觉技术近年来，图像处理和计算机视觉技术在各行各业得到了广泛应用。
从医学影像到自动驾驶，从安防监控到娱乐游戏，这些技术正在改变我们的生活方式和工作方式。
在本文中，将探讨这两种技术的应用和未来发展。
一、图像处理技术图像处理技术是数字图像处理、压缩、增强、修复和分析等技术的总称。
它主要包括以下几个方面：1. 数字图像处理数字图像处理是对数字图像进行操作和处理的技术，包括图像去噪、图像增强、图像复原、图像分割、图像压缩等。
数字图像处理技术广泛应用于医学影像、摄影以及工业检测等领域。
2. 图像识别图像识别技术是指利用计算机对图像进行处理，从而实现对图像中对象、形状、轮廓等特征的识别。
图像识别技术在工厂质检、遥感影像分析、安防监控等领域有着广泛的应用。
3. 人脸识别人脸识别技术是指利用计算机对人脸图像进行处理，从而实现对人脸的识别、比对和辨认的技术。
人脸识别技术可以应用在安防监控、门禁考勤、公安案件侦破等领域。
二、计算机视觉技术计算机视觉技术是指利用计算机对视觉信息进行处理、分析、理解和获取的技术，涵盖了图像处理、模式识别、机器学习、深度学习等多个领域。
计算机视觉技术主要包括以下几个方面：1. 物体检测和跟踪物体检测和跟踪技术是指利用计算机对图像中的指定物体进行识别、定位和跟踪的技术。
这种技术可以应用于自动驾驶、无人机、安防监控等领域。
2. 模式识别模式识别技术是指对大量数据进行分析和处理，从而寻找数据中的模式和规律，以进行分类和识别。
这种技术可以应用于人脸识别、指纹识别、语音识别、股票分析等领域。
3. 机器学习机器学习技术是指让计算机根据大量的数据自主学习并改进模型和算法的技术。
这种技术可以应用于自然语言处理、图像识别、人工智能等领域。
三、图像处理和计算机视觉的未来发展随着计算机技术和人工智能技术的不断发展，图像处理和计算机视觉技术将会在未来有更多的发展和应用：1. 智能制造智能制造是指利用数字化、网络化和智能化技术对制造业进行升级的过程。
计算机视觉的关键技术和方法
计算机视觉是一门涉及图像处理、模式识别和机器学习等多个
领域的交叉学科，它致力于让计算机具备类似甚至超越人类视觉的
能力。
在计算机视觉领域，有许多关键的技术和方法，以下是其中
一些重要的：
1. 特征提取与描述，特征提取是计算机视觉中的关键技术，它
指的是从图像或视频中提取出具有代表性的特征，比如边缘、角点、纹理等。
常用的特征描述方法包括SIFT、SURF和HOG等。
2. 目标检测与识别，目标检测与识别是计算机视觉中的重要任务，它指的是从图像或视频中识别出特定的目标，比如人脸、车辆、动物等。
常用的方法包括Haar特征级联、卷积神经网络（CNN）和
区域卷积神经网络（R-CNN）等。
3. 图像分割，图像分割是将图像分成若干个具有独立语义的区
域的过程，常用的方法包括阈值分割、边缘检测、区域生长和基于
图论的分割方法等。
4. 三维重建，三维重建是利用多幅图像或视频恢复出场景的三
维结构，常用的方法包括立体视觉、结构光和激光扫描等。
5. 运动估计，运动估计是计算机视觉中的重要问题，它指的是从图像序列中估计出物体的运动状态，常用的方法包括光流法、稠密光流法和结构光法等。
除了上述技术和方法外，计算机视觉还涉及到深度学习、神经网络、图像生成、图像增强、图像分类、图像检索等多个方面。
随着人工智能和计算机视觉的不断发展，这些关键技术和方法也在不断演进和完善，为计算机视觉的应用提供了更广阔的发展空间。
计算机视觉研究计算机像处理和视觉识别算法计算机视觉研究计算机图像处理和视觉识别算法计算机视觉是一门研究计算机如何理解和解释图像内容的学科。
它涉及到诸多领域，包括图像处理、模式识别、机器学习等。
在我们生活的方方面面，计算机视觉的应用已经无处不在。
本文将围绕计算机图像处理和视觉识别算法展开论述，探讨其相关原理和应用领域。
一、计算机图像处理算法计算机图像处理算法主要涵盖了图像的获取、增强、复原、压缩等各个方面。
1. 图像获取图像获取是指通过传感器将现实中的光信号转换为数字信号。
常见的图像获取设备包括数码相机、摄像机等。
在这个过程中，对光的衰减、失真等问题进行校正是必要的。
2. 图像增强图像增强是指通过各种算法和技术，改善图像的质量和视觉效果。
例如，对比度增强、滤波处理、锐化等。
这些算法能够使图像更加清晰、明亮，更适合人眼观察和后续的处理。
3. 图像复原图像复原是指通过算法和技术，对图像中受损的信息进行恢复。
例如，在图像损失、降噪、去模糊等方面进行研究和应用。
这对于一些被噪声、模糊等问题影响的图像来说，能够提高图像的可读性和准确性。
4. 图像压缩图像压缩是指通过算法，将图像数据压缩为更小的尺寸，以便于存储和传输。
常见的图像压缩标准包括JPEG、PNG、GIF等。
这些算法能够在保证图像质量的前提下，减小图像文件的大小。
二、视觉识别算法视觉识别算法主要通过模式识别和机器学习技术，实现对图像中目标的自动识别和分类。
1. 物体检测和定位物体检测和定位是指在图像中寻找和定位目标物体的算法和技术。
常见的方法包括目标检测算法（如卷积神经网络）和目标定位算法。
这些算法对于人脸识别、物体跟踪等应用具有重要意义。
2. 图像分类和识别图像分类和识别是指通过训练模型，实现对图像进行分类和识别的过程。
常见的方法包括卷积神经网络（CNN）和支持向量机（SVM）。
这些算法能够将输入图像分为不同的类别，并进行相应的识别。
3. 图像分割图像分割是指将图像划分为多个区域，每个区域内具有相似的特征。
计算机视觉对图像处理和人工智能的重要性计算机视觉是一门研究如何让计算机“看”的学科，它通过模仿人类的视觉系统，利用计算机和数字处理技术，能够从图像或多维数据中提取高层次的信息。
计算机视觉在图像处理和人工智能领域扮演着重要角色，其重要性体现在以下几个方面。
首先，计算机视觉在图像处理中具有重要意义。
图像处理是将从各种传感器中获取的原始图像进行预处理，使得图像更适合于后续的分析、识别和理解。
计算机视觉通过识别、分类和分割等技术，能够自动对图像进行预处理，提高图像的质量和准确性。
例如，在医学图像分析中，计算机视觉可以检测和定位肿瘤细胞，帮助医生进行快速准确的诊断。
其次，计算机视觉在人工智能中起到了关键作用。
人工智能是模拟人类智能行为的一种技术，而计算机视觉提供了一种可以获取和理解图像信息的方式。
人工智能系统可以通过计算机视觉技术感知和理解周围环境，从而辅助进行决策和执行任务。
例如，在自动驾驶领域，计算机视觉能够利用摄像头获取实时路况信息，控制车辆的行驶方向和速度；在智能家居中，计算机视觉还可以识别住户的面部特征，实现个性化的家居智能控制。
关键技术是支撑计算机视觉能够在图像处理和人工智能中发挥作用的基础。
计算机视觉涉及到图像处理、模式识别、机器学习等多个领域的技术。
图像处理技术包括图像增强、图像滤波、图像分割等，能够提高图像质量和准确性；模式识别技术包括特征提取、模式匹配等，能够将图像中的物体和场景识别出来；机器学习技术则是让计算机通过数据学习和训练，提高其对图像和信息的理解能力。
这些关键技术为计算机视觉的应用提供了强大的支撑和保障。
此外，计算机视觉在工业、医疗、交通、安防等领域都有着广泛的应用。
在工业领域，计算机视觉可以实现产品质量检测、无人化操作等功能，提高了生产效率和产品质量。
在医疗领域，计算机视觉可以辅助医生进行病例分析、手术引导等，提高了医疗水平和治疗效果。
在交通和安防领域，计算机视觉可以实现车辆识别、人脸识别等功能，提高了交通安全和社会治安。
计算机视觉技术与模式识别的关系计算机视觉技术和模式识别是现代计算机科学领域中两个重要的研究方向。
它们都致力于让计算机具备理解和解释图像、视频等视觉数据的能力，从而实现自动化的视觉任务。
虽然两者有所区别，但也存在密切的联系和互相借鉴的关系。
计算机视觉技术是指通过计算机对图像、视频等视觉数据进行分析和理解，以实现目标检测、物体跟踪、图像分割、图像识别等视觉任务的能力。
它的主要目标是将物理世界真实场景中的视觉信息转化为计算机可理解和处理的形式，从而为计算机系统提供更高级别的智能化处理和决策能力。
计算机视觉技术的发展离不开数学、图像处理、机器学习等多个学科的支持和融合。
而模式识别是指从大量数据中识别和发现出重复出现的模式和规律，并将其用于对象分类、特征提取、数据压缩等任务中。
模式识别是计算机视觉技术的重要组成部分，它通过建立数学模型、设计算法等方法来分析和推理图像中的模式，并将其与已知的模式进行匹配和分类。
模式识别的发展借鉴了统计学、概率论、信息论等多个学科的理论基础，通过机器学习和深度学习等方法实现了诸如人脸识别、手写字识别等复杂的视觉任务。
计算机视觉技术与模式识别相互依赖，互相促进的关系可以从以下几个方面进行阐述。
首先，在计算机视觉技术中，模式识别是一种技术手段，用于从视觉数据中提取和表示图像或视频中的模式，并将其用于后续的分析和决策过程中。
例如，在人脸识别任务中，模式识别可以用来提取人脸图像中的特征，并将其与已知的人脸模式进行匹配和分类。
因此，模式识别为计算机视觉技术提供了重要的算法支持和理论基础。
其次，计算机视觉技术也为模式识别提供了强大的数据源和应用场景。
视觉数据是模式识别的重要输入，而计算机视觉技术则可以通过采集、处理和分析视觉数据来帮助模式识别任务的完成。
例如，在图像分类任务中，计算机视觉技术可以通过图像识别和特征提取的方法，将图像数据转化为模式识别算法所需要的统计特征，从而提高分类准确度和鲁棒性。
计算机图形学、数字图像处理、模式识别和计算机视觉间的联系和区别计算机图形学（Computer Graphics）讲的是图形，也就是图形的构造⽅式，是⼀种从⽆到有的概念，从数据得到图像。
是给定关于景象结构、表⾯反射特性、光源配置及相机模型的信息，⽣成图像。
计算机视觉（Computer Vision）是给定图象，从图象提取信息，包括景象的三维结构，运动检测，识别物体等。
数字图像处理（Digital Image Processing）是对已有的图像进⾏变换、分析、重构，得到的仍是图像。
模式识别（PR）本质就是分类，根据常识或样本或⼆者结合进⾏分类，可以对图像进⾏分类，从图像得到数据。
联系计算机图形学和计算机视觉是同⼀过程的两个⽅向。
计算机图形学将抽象的语义信息转化成图像，计算机视觉从图像中提取抽象的语义信息。
数字图像处理探索的是从⼀个图像或者⼀组图像之间的互相转化和关系，与语义信息⽆关。
总之，计算机图形学是计算机视觉的逆问题，两者从最初相互独⽴的平⾏发展到最近的融合是⼀⼤趋势。
图像模式的分类是计算机视觉中的⼀个重要问题，模式识别中的许多⽅法可以应⽤于计算机视觉中。
计算机图形学和数字图像处理的区别在于图形和图像。
图形是⽮量的、纯数字式的。
图像常常由来⾃现实世界的信号产⽣，有时也包括图形。
⽽图像和图形都是数据的简单堆积，计算机视觉要从图像中整理出⼀些信息或统计数据，也就是说要对计算机图像作进⼀步的分析。
以上是它们的区别，下⾯来说联系：计算机图形学的研究成果可以⽤于产⽣数字图像处理所需要的素材，计算机视觉需要以数字图像处理作为基础。
计算机视觉与数字图像处理的这种关系类似于物理学和数学的关系。
计算机视觉技术计算机视觉技术是指通过计算机对图像或视频进行处理和分析，实现对现实世界的理解和感知的一种技术。
它涉及图像处理、模式识别、机器学习等多个领域，是人工智能领域的重要组成部分。
一、计算机视觉技术的概述计算机视觉技术旨在使计算机像人类一样理解和解释图像和视频。
它主要包括以下几个方面的技术：1. 图像获取和预处理：计算机视觉技术首先需要获取图像或视频，可以通过摄像头、扫描仪等设备获取。
然后需要对获取的图像进行预处理，包括去噪、增强、图像校正等操作，为后续处理做准备。
2. 特征提取和描述：在计算机视觉中，特征是指图像中的关键信息，如边缘、纹理、颜色等。
通过特征提取和描述，可以将图像转化为计算机可以理解和处理的数据形式，如向量或特征向量。
3. 目标检测和识别：目标检测是指在图像或视频中定位并标注感兴趣的目标，目标识别则是指通过特征匹配或机器学习算法，将检测到的目标分类为事先定义好的类别。
4. 图像分割和理解：图像分割是指将图像划分为若干个区域，每个区域具有相似的特征或属性。
图像理解则是指从分割好的图像中推断出更高层次的语义信息。
二、计算机视觉技术的应用计算机视觉技术在各个领域都有广泛的应用，其应用场景包括但不限于以下几个方面：1. 图像检索与搜索：通过计算机视觉技术，可以实现对大规模图像库中的图像进行检索和搜索，如基于图像内容的检索、相似图像搜索等。
2. 人脸识别与身份验证：计算机视觉技术可以用于人脸识别和身份验证，如人脸比对、人脸门禁系统等。
3. 视频监控与安防：计算机视觉技术可以用于视频监控和安防领域，如视频行为分析、异常事件检测等。
4. 医学影像与诊断：计算机视觉技术在医学影像领域有着广泛的应用，如肿瘤检测、影像分析等。
5. 自动驾驶与机器人导航：计算机视觉技术是实现自动驾驶和机器人导航的重要技术之一，如车道检测、障碍物避让等。
三、计算机视觉技术的挑战与发展方向虽然计算机视觉技术已经取得了很大的进展，但仍然面临着许多挑战和问题。
计算机视觉与图像处理、模式识别、机器学习学科之间的关系
在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。
纵观一切关系，发现计算机视觉的应用服务于机器学习。
各个环节缺一不可，相辅相成。
计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。
就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。
计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。
机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。
一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。
图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。
又称影像处理。
基本内容图像处理一般指数字图像处理。
数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。
图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。
常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。
图像处理一般指数字图像处理。
模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。
模式还可分成抽象的和具体的两种形式。
前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。
我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。
模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。
应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。
这些对象与数字形式的信息相区别，称为模式信息。
模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。
它与人工智能、图像处理的研究有交叉关系。
机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习在人工智能的研究中具有十分重要的地位。
一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。
随着人工智能的深入发展，这些局限性表现得愈加突出。
正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。
它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。
这些研究目标相互影响相互促进。
人类研究计算机的目的，是为了提高社会生产力水平，提高生活质量，把人从单调复杂甚至危险的工作中解救出来。
今天的计算机在计算速度上已经远远超过了人，然而在很多方面，特别是在人类智能活动有关的方面例如在视觉功能、听觉功能、嗅觉功能、自然语言理解能力功能等等方面，还不如人。
这种现状无法满足一些高级应用的要求。
例如，我们希望计算机能够及早地发现路上的可疑情况并提醒汽车驾驶员以避免发生事故，我们更希望计算机能帮助我们进行自动驾驶，目前的技术还不足以满足诸如此类高级应用的要求，还需要更多的人工智能研究成果和系统实现的经验。
什么是人工智能呢？人工智能，是由人类设计并在计算机环境下实现的模拟或再现某些人智能行为的技术。
一般认为，人类智能活动可以分为两类：感知行为与思维活动。
模拟感知行为的人工智能研究的一些例子包括语音识别、话者识别等与人类的听觉功能有关的“计算机听觉”，物体三维表现的形状知识、距离、速度感知等与人类视觉有关的“计算机视觉”，等等。
模拟思维活动的人工智能研究的例子包括符号推理、模糊推理、定理证明等与人类思维有关的“计算机思维”，等等。
从图像处理和模式识别发展起来的计算机视觉研究对象之一是如何利用二维投影图像恢复三维景物世界。
计算机视觉使用的理论方法主要是基于几何、概率和运动学计算与三维重构的视觉计算理论，它的基础包括射影几何学、刚体运动力学、概率论与随机过程、图像处理、人工智能等理论。
计算机视觉要达到的基本目的有以下几个：
(1)根据一幅或多幅二维投影图像计算出观察点到目标物体的距离；
(2)根据一幅或多幅二维投影图像计算出目标物体的运动参数；
(3)根据一幅或多幅二维投影图像计算出目标物体的表面物理特性；
(4)根据多幅二维投影图像恢复出更大空间区域的投影图像。
计算机视觉要达到的最终目的是实现利用计算机对于三维景物世界的理解，即实现人的视觉系统的某些功能。
在计算机视觉领域里，医学图像分析、光学文字识别对模式识别的要求需要提到一定高度。
又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。
在计算机视觉的大多数实际应用当中，计算机被预设为解决特定的任务，然而基于机器学习的方法正日渐普及，一旦机器学习的研究进一步发展，未来“泛用型”的电脑视觉应用或许可以成真。
人工智能所研究的一个主要问题是：如何让系统具备“计划”和“决策能力”？从而使之完成特定的技术动作（例如：移动一个机器人通过某种特定环境）。
这一问题便与计算机视觉问题息息相关。
在这里，计算机视觉系统作为一个感知器，为决策提供信息。
另外一些研究方向包括模式识别和机器学习（这也隶属于人工智能领域，但与计算机视觉有着重要联系），也由此，计算机视觉时常被看作人工智能与计算机科学的一个分支。
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。
为了达到计算机视觉的目的，有两种技术途径可以考虑。
第一种是仿生学方法，即从分析人类视觉的过程入手，利用大自然提供给我们的最好参考系——人类视觉系统，建立起视觉过程的计算模型，然后用计算机系统实现之。
第二种是工程方法，即脱离人类视觉系统框框的约束，利用一切可行和实用的技术手段实现视觉功能。
此方法的一般做法是，将人类视觉系统作为一个黑盒子对待，实现时只关心对于某种输入，视觉系统将给出何种输出。
这两种方法理论上都是可以使用的，但面临的困难是，人类视觉系统对应某种输入的输出到底是
什么，这是无法直接测得的。
而且由于人的智能活动是一个多功能系统综合作用的结果，即使是得到了一个输入输出对，也很难肯定它是仅由当前的输入视觉刺激所产生的响应，而不是一个与历史状态综合作用的结果。
不难理解，计算机视觉的研究具有双重意义。
其一，是为了满足人工智能应用的需要，即用计算机实现人工的视觉系统的需要。
这些成果可以安装在计算机和各种机器上，使计算机和机器人能够具有“看”的能力。
其二，视觉计算模型的研究结果反过来对于我们进一步认识和研究人类视觉系统本身的机理，甚至人脑的机理，也同样具有相当大的参考意义。
