计算机视觉与机器视觉

　　首先，我们有必要理清楚机器视觉与计算机视觉之间的关系。从学科分类上，二者都被认为是ArtificialIntelligence下属科目，不过计算机视觉偏软件，通过算法对图像进行识别分析，而机器视觉软硬件都包括（采集设备，光源，镜头，控制，机构，算法等），指的是系统，更偏实际应用。简单的说，我们可以认为计算机视觉是研究“让机器怎么看”的科学，而机器视觉是研究“看了之后怎么用”的科学。

　　计算机视觉与机器视觉的问题是，前者太学术，后者太工业，因而一直以来在消费级市场缺乏好的产品。图漾创始人费浙平向雷锋网(搜索“雷锋网”公众号关注)编辑说，机器视觉的很多核心技术和原理多年前就比较成熟了，近年来的进展主要集中在工程化，比如GPU和视觉计算加速器的出现解决了计算量问题。但与此同时，要想把视觉技术实现真正产品落地，中间还有不少其他问题，他们也在摸索中。

　　视觉技术在消费级市场最早的尝试是微软的Kinect。2010年，微软联合深度摄像头技术方案提供方PrimeSense正式对外推出Kinect，利用骨骼捕捉技术，Kinect可以捕捉游戏玩家的骨骼动作，从而让游戏玩家可以不接触屏幕即可玩游戏。在Kinect之后，华硕、Intel、谷歌以及苹果也相继在深度摄像头的应用场景上跟进，一切都看起来往好的方向发展。

　　但深度摄像头作为独立产品，市场化难度颇大。例如Intel在13年在开发者会议上宣布，将推出自己的微型深度感知模块，华硕、戴尔、惠普、联想等多家PC厂家都将从2014年下半年开始在产品线中部署这款深度感知模块。而两年多过去了，曾经预言的集成深度摄像头的产品迟迟未见。

　　那么，处于计算机视觉和机器视觉交叉部分的深度摄像头，应该如何打开消费级市场？

　　“机器视觉在消费市场落地，技术上是人工智能技术和机器人硬件有效融合的问题，有两条路：

　　1.自上而下。以人工智能技术应用为主，要求机器人硬件尽可能符合人工智能技术工程化的条件。这意味着，产品得增加传感器，以保障智能算法数据供给，得提高成本，有良好的计算资源让复杂的智能算法“跑”起来。还意味着产品具有不稳定性，人工智能技术以概率为主，产品功能依赖人工智能技术的比例越大，产品功能越不稳定。机器视觉应用里面，人脸检测是很稳定的，但遇到黑人也难打包票。

　　2.自下而上。以机器人硬件为主，在功能上应用人工智能技术辅助。这意味着，产品比较可靠，但同时也失去了一些智能化的特性。当产品需要某些智能化的功能时，要花费大量人力针对某个“智能算法”做移植，将本来在不稳定环境中运行的算法应用在可控、高效而且低成本的嵌入式环境中，这点让很多专注理论算法的工程师头疼。

　　机器视觉技术落实在产品上，有时候是自下而上做产品的过程中，给了“智能算法”太多的束缚，大家总是优先考虑成本和稳定性，而不是技术应用本身。我们从人工智能领域出来做机器人，希望两者做个折衷，以自上而下的愿景给智能技术找一个市场立足点。市场对智能产品需求的不明晰，也是机器视觉难落地市场的一大因素。”