一、计算机视觉和图像处理概述
二、计算机视觉基本处理流程
1、数据采集；（输入）
2、预处理；
3、特征提取；
4、检测/跟踪/分割；
5、高级操作（分类、识别等）（输出）
目标检测：首先我们已经知道目标是什么，然后去图像中定位它的位置。（人脸检测、行人检测、车辆检测等）
图像识别：简单的说，是图像再认，从成千上万张图像中找到'认识'的那一张，犹如我们在大街上遇到一个一个人，然后就会去搜索我们见过的所有人，‘哦！我见过他’，如果再加上‘哦！我见他趟在天安门的水晶棺里！’，那么就等于识别系统识别到了一个图像的id和路径，这就是图像识别的过程，(对于一个从来没有出现过的目标，计算机是无法进行再认的，人也不行)。其处理过程主要包括：图像输入、预处理、特征提取、特征分类、匹配。
计算机视觉中的识别：是计算机视觉系统处理的高级过程，从‘再认’的角度上讲，它们是一样的，然而出发点和‘识别’过程是不同的两个方面，计算机视觉中的识别重点在某一个领域内，比如行人行为识别（拥抱、指路、打架、偷车等），那么这个系统我们研究的就是人，车辆行为识别（是否酒驾、是否超速等），那就是一个交通监控系统，我们需要定义一个‘行为’：什么是拥抱（偷车）或者什么是酒驾；而图像识别旨在从某一个库中去‘匹配’一个相同或者相似的图像（当然匹配的是特征）。
三、基本图像处理与分析
图像采集：（摄像机标定和矫正）预处理：（去噪、增强、金字塔等）
特征提取：（BRIEF、颜色和直方图特征、FAST特征、Harris特征、HOG、SIFT、SURF等）
检测：（背景建模、特征+分类器（SVM、Adaboost、Random forest）、显著性监测等）
跟踪：（Mean-shift、TLD、粒子滤波、卡尔曼）
高级操作：（BOW）
四、以我为主、为我所用
机器学习：用摄像机模拟人眼，cpu模拟人脑，对于‘白痴’cpu，告诉它学习的方法也就显得自然了。
模式识别：理论极强的一门学科，和ML、CV相辅相成，基于神经网络的DL大红大紫
Boosting、clustering、CS（Compressive Sensing）、DT（Decision Trees）、DP（Dynamical Programimg）、EM、GM（Graphical Model）、HMM、ICA、PCA、RF（random forest）、RANSAC、SVD（Singular Value Decomposition）、稀疏表示、SVM、小波、NN
英语：
数学：一切美好的基石，数学分析、概率、统计、矩阵、最优化等
计算机基础理论和方法：可能像组成原理、体系结构、操作系统、编译原理对算法研究帮助不大，不过数据结构和基本算法的作用却是相当大的，如果是做工程，前面的基础知识就显得很重要了。
产品：为什么提到产品，因为工业不等于研究，要想自己喜欢的学科真正能够服务于大众，理论和实际必须要结合起来。
