《碟中谍》系列电影中的黑科技是很多的，但我们可以看到电影里面展现的黑科技就是现在已经得到广泛应用的“人脸识别技术”，当然人脸识别只是计算机视觉的一个很小的方面。

通过计算机视觉技术，一方面可以对图像视频中的内容进行语义理解，比如识别图像视频中的目标，以及它们在图像中什么位置，检测出图像视频中的各种物体，包括各种各样的车、信号灯、行人等，还有在鸟瞰图的视角下，对一个街区的交通情况进行分析。另外，在车内部，计算机视觉技术可以分析驾驶员的行为，判断驾驶员是否有危险驾驶的行为，对驾驶员面部表情的精细分析，还可以判断驾驶员是否存在疲劳驾驶等危险行为。这只是计算机视觉所要解决问题的一方面。

另一方面是对图像中所描述的场景进行几何重建，正如我们人眼看到的世界是三维的一样，我们也希望计算机视觉能够从二维图像重建三维场景，可以从三张图像甚至两张图像实现三维重建。三维重建，其目标就是从二维图像或视频序列中重建出物体或场景的三维几何结构。

计算机视觉的定义到底是什么呢？首先我们要知道什么是视觉，即人类视觉，我们以眼睛为传感器，接受视觉信息，并在视网膜上成像，最后通过我们的大脑对视觉信息进行处理，得到我们对成像内容的理解，视觉系统并不仅仅是看，更重要的是如何处理。而计算机视觉就是要去模仿人类视觉这个过程，用摄像机代替人眼，用电脑代替人脑，在同样的视觉信息输入的情况下，希望计算机视觉系统得到和人类视觉系统一样的理解结果。

图像在计算机中是以数字形式存储的，每个像素值是一个0-255之间的数值，一张图像就是一个数字矩阵，数字矩阵与图像存在“语义鸿沟”，计算机能从这个数字矩阵中推测出什么呢？它大概可以推测出一个物品是什么。

计算机与大模型之间的对比。人脑用于信息传递与处理的单元，是神经元与突触，分别有10的11次方和10的14次方个，数量是很多的。一台计算机的内存一般128G，存储单元数量也是挺大的，人脑的响应频率是100-1000Hz,计算机的时钟频率通常都是GHz（1GHz=10的9次方Hz），频率比人要快得多，但是人脑做这么多复杂计算的功耗，只有20W，一台服务器计算机的功耗都有几千千瓦，更不要说用于训练大模型的计算机集群了，在功耗方面，人类远远强于计算机，而且人脑具有多样性，每个人都不一样，而计算机每个都一样。由此可见，要解决同样一个问题，计算机要耗费的能量比人要多得多。所以要实现和人类视觉一样的计算机视觉是很难的。

计算机视觉存在很多挑战，这些挑战本身对于人类视觉也是很难的。一个是光照变化，光照变化会使得同一个物体在表象上发生巨大的变化，比如在光照很暗的情况下，去识别物体本身就是很困难的，还有视觉变化，也会使得同一个物体在表象上发生巨大的变化，尺度变化对于人类来说是很简单的，而计算机视觉系统只能依靠比较笨的多尺度检测。

（以上文字摘自超星名师讲坛《AI如何看世界——计算机视觉》，更多详细内容，请扫码观看！）