作為人工智能的兩個分支，計算機視覺與機器視覺在近年都取得了長足的進(jìn)步。前者自2010年以來，隨著深度學(xué)習(xí)再度流行并用于目標(biāo)識別，在人臉識別等方面已經(jīng)超過了人類;而后者在工業(yè)應(yīng)用方面，也有不少突破性的應(yīng)用。
但是，在消費級市場方面，計算機視覺與機器視覺的進(jìn)展并不大。不少人對于計算機視覺與機器視覺在消費級市場能有多大實質(zhì)性地應(yīng)用，存在深深地?fù)?dān)憂。
計算機視覺與機器視覺
首先，我們有必要理清楚機器視覺與計算機視覺之間的關(guān)系。從學(xué)科分類上，二者都被認(rèn)為是ArtificialIntelligence下屬科目，不過計算機視覺偏軟件，通過算法對圖像進(jìn)行識別分析，而機器視覺軟硬件都包括(采集設(shè)備，光源，鏡頭，控制，機構(gòu)，算法等)，指的是系統(tǒng)，更偏實際應(yīng)用。簡單的說，我們可以認(rèn)為計算機視覺是研究“讓機器怎么看”的科學(xué)，而機器視覺是研究“看了之后怎么用”的科學(xué)。
計算機視覺與機器視覺的問題是，前者太學(xué)術(shù)，后者太工業(yè)，因而一直以來在消費級市場缺乏好的產(chǎn)品。圖漾創(chuàng)始人費浙平向雷鋒網(wǎng)(搜索“雷鋒網(wǎng)”公眾號關(guān)注)編輯說，機器視覺的很多核心技術(shù)和原理多年前就比較成熟了，近年來的進(jìn)展主要集中在工程化，比如GPU和視覺計算加速器的出現(xiàn)解決了計算量問題。但與此同時，要想把視覺技術(shù)實現(xiàn)真正產(chǎn)品落地，中間還有不少其他問題，他們也在摸索中。
機器視覺技術(shù)在消費級市場最早的嘗試是微軟的Kinect。2010年，微軟聯(lián)合深度攝像頭技術(shù)方案提供方PrimeSense正式對外推出Kinect，利用骨骼捕捉技術(shù)，Kinect可以捕捉游戲玩家的骨骼動作，從而讓游戲玩家可以不接觸屏幕即可玩游戲。在Kinect之后，華碩、Intel、谷歌以及蘋果也相繼在深度攝像頭的應(yīng)用場景上跟進(jìn)，一切都看起來往好的方向發(fā)展。
但深度攝像頭作為獨立產(chǎn)品，市場化難度頗大。例如Intel在13年在開發(fā)者會議上宣布，將推出自己的微型深度感知模塊，華碩、戴爾、惠普、聯(lián)想等多家PC廠家都將從2014年下半年開始在產(chǎn)品線中部署這款深度感知模塊。而兩年多過去了，曾經(jīng)預(yù)言的集成深度攝像頭的產(chǎn)品遲遲未見。
那么，處于計算機視覺和機器視覺交叉部分的深度攝像頭，應(yīng)該如何打開消費級市場?
深度攝像的瓶頸
深度攝像頭也稱RGBD攝像頭。我們常用的攝像頭是RGB攝像頭，單一個攝像頭便能感知彩色可見光信息(Red、Green、Blue)，而RGBD攝像頭是在我們常見的RGB攝像頭基礎(chǔ)上，增加了深度信息。
深度攝像頭獲取圖像方式分為主動式獲取和被動式獲取。二者的主要區(qū)別集中在觀測傳感器是否主動向環(huán)境發(fā)出探測光。如大疆精靈4上的雙目視覺便是被動式獲取深度圖像，其技術(shù)特點是攝像頭不主動向環(huán)境中發(fā)射能量，而通過兩個以上攝像頭計算特征點的坐標(biāo)差得出感知環(huán)境中現(xiàn)有能力得到信息，這一方式與人類雙眼獲得時差的方式最為相近，但最大的弊端在于限于目前的技術(shù)，目前的識別精度還不高，過于依賴光線，而且無法處理特征不明顯的場景，所以強光暗光都會導(dǎo)致深度計算的失效。
主動式獲取所采用的方式則是從蝙蝠等生物上尋找靈感，通過主動發(fā)射探測光通過計算獲取深度圖像。這當(dāng)中又分為三類：“RF-modulated light sources with phase detector”、“Rangegate dimagers”、“Direct Time-of-Flight imagers”，如Kinect一代所采用的Prime Sense就屬于第二類，隨著蘋果收購Prime Sense，微軟也在Kinect二代中改為微軟自有技術(shù)，一般認(rèn)為二代采用的是直接TOF的技術(shù)。
以Kinect的深度攝像頭為例，它包含了一個紅外投射器、一個RGB攝影頭和一個紅外感應(yīng)器，由于深度攝像頭自帶光源，而且是不可見的紅外光，對我們的生活無任何影響。似乎深度攝像頭獲取景深信息就已經(jīng)完美了，但也有他的弊端。由于是主動方式，兩個同波段紅外光會出現(xiàn)干涉，導(dǎo)致兩臺一樣的深度攝像頭沒有辦法一起使用，而且受發(fā)射功率的影響，檢測距離也會受到很大影響。
市面上常見的深度攝像頭，Kinect距離最遠(yuǎn)，但也需要最高達(dá)到12W的用電供給，拖一根供電線很是累贅。同時，深度攝像頭還難以應(yīng)用于戶外，因為陽光中也有紅外成分，會對主動紅外光部分造成干擾。紅外光對于玻璃情景，也無計可施，出現(xiàn)無法探測距離的情況。
Kinect獲取的深度圖像
艱難中的嘗試
Kinect一代售罄一空之后，對Kinect二代的綁定更加嚴(yán)厲，這更加抑制了銷售量;LeapMotion兩年前由于銷售情況不如預(yù)期，不得不解雇了10%的員工，切入虛擬現(xiàn)實;蘋果收購了Primesense之后也不知道在盤算什么小九九，有分析稱蘋果打算放在iPhone上，這樣我們拍照時就能拍出3D效果的了;另一邊Intel則將目標(biāo)對準(zhǔn)了機器人無人機，比如小米的機器人SegwayRobot以及昊翔的無人機TyphooonH。機器人和無人機正是這兩年的大熱產(chǎn)品，看起來Intel可能會成為贏家，但因為SegwayRobot和TyphooonH都還未正式上市，因此效果如何還有待驗證。也就是說，在消費級市場還沒有一個特別成功的案例。
IntelCEO科再奇展示應(yīng)用了Real Sense模塊的的TyphooonH
而在國內(nèi)，Intel的Real Sense出來之后，給了國內(nèi)一些創(chuàng)業(yè)者的信心，因此催生了一批相關(guān)的創(chuàng)業(yè)企業(yè)，但目前成規(guī)模的應(yīng)用也寥寥無幾。
奧比中光是其中最早實現(xiàn)量產(chǎn)的，其深度攝像頭與Kinect一樣，主要應(yīng)用在一些電視游戲上;與奧比中光有直接競爭的是華捷艾米，只不過在產(chǎn)品量產(chǎn)上，華捷艾米的進(jìn)度慢了一步;圖漾的產(chǎn)品則正在準(zhǔn)備量產(chǎn)階段中，瞄準(zhǔn)的方向都是些行業(yè)應(yīng)用，似乎對消費應(yīng)用還在觀望階段;格靈深瞳正在做應(yīng)用在自動駕駛汽車上的深度攝像頭;速感看好機器人;
機器人是目前熱門的應(yīng)用領(lǐng)域，目前機器人的路徑規(guī)劃大多使用雷達(dá)，雷達(dá)雖然只能建立平面的深度圖像，但市場上已經(jīng)有公開產(chǎn)品，而且雷達(dá)的導(dǎo)航所用到的SLAM方案已經(jīng)比較成熟，而視覺導(dǎo)航的SLAM方案則還很少見，iRobot是較早開始在其掃地機器人上使用SLAM方案，不過也不到1年時間，因此想要在機器人上使用視覺避障與導(dǎo)航，看起來還需要一段時間。
要解決的問題有哪些
那么，深度攝像頭消費級應(yīng)用的春天何時才會到來?通過與相關(guān)從業(yè)人員的交流，我們感覺到深度攝像頭只是一個產(chǎn)業(yè)鏈中的一環(huán)，當(dāng)他們在做深度攝像頭的時候，相關(guān)的產(chǎn)業(yè)鏈上的工作還有很多，比如芯片，比如后續(xù)的圖像識別、視頻分析等等。以下是他們的回答：
格靈深瞳技術(shù)人員：
“CV在消費領(lǐng)域落地的其中一個障礙還是支持高性能運算的低功耗低價位芯片選擇太少，有限的幾個也很難用。所以目前只能在工業(yè)領(lǐng)域，機器視覺本身是工業(yè)術(shù)語。在大消費領(lǐng)域我們傾向于叫embedde dvision(嵌入式視覺)。這一類產(chǎn)品都是光、機、電、軟件、算法一體，跨多個專業(yè)領(lǐng)域，對系統(tǒng)集成的難度要求更高?！?/span>
uArm機械臂創(chuàng)始人鄧世韜：
“主要是芯片的處理能力、紅外投影模組的分辨率提升。我自己更關(guān)注批量生產(chǎn)的穩(wěn)定性，因為這些零配件裝在一起，需要校正、標(biāo)定等，這是一個挺大的挑戰(zhàn)，特別是對創(chuàng)業(yè)公司?！?/span>
速感科技創(chuàng)始人陳震：
“單從機器人領(lǐng)域來看，機器視覺有很大一塊兒需要解決的問題是，目前在產(chǎn)業(yè)上游的核心傳感器和下游的機器人落地應(yīng)用中間存在一定的斷檔。也就是我們看到的國內(nèi)有廠商專門搞攝像頭，雷達(dá)這樣的元器件，專門有廠商做機器人整機，但是幾乎沒有一個成熟的視覺技術(shù)方案可以把不同的傳感器串聯(lián)起來，做成一個可以商用的統(tǒng)一的方案。
機器人是個復(fù)雜的系統(tǒng)，機器視覺也是機器人上一個復(fù)雜的部件，通過現(xiàn)有的技術(shù)，已經(jīng)證明單純的依靠單一的傳感器是無法在現(xiàn)有機器人上較好的實現(xiàn)各種功能的。
也就是說，在機器人上，需要有雷達(dá)、超聲波、攝像頭、3D傳感器配合在一起，才可能實現(xiàn)各種復(fù)雜的功能和任務(wù)。
而目前的機器人產(chǎn)業(yè)的現(xiàn)狀是，大家各自低頭研發(fā)自己的核心元件，使得下游的機器人廠商變成了機械式的集成商，從訊飛拿語音，從視頻門戶拿內(nèi)容，從深圳拿移動底盤公模等等，視覺上面，也呈現(xiàn)出零星的發(fā)展態(tài)勢。
我們認(rèn)為，機器人在接下來的發(fā)展中，必然會出現(xiàn)一兩套整體的標(biāo)準(zhǔn)集成方案，類似PC時代的windows操作系統(tǒng)和手機時代的IOS操作系統(tǒng)一樣?！?/span>
圖漾創(chuàng)始人費浙平：
“視覺計算處理器：由于視覺計算數(shù)據(jù)量和算法復(fù)雜度很高，通用的CPU、GPU和DSP處理器芯片都不夠強大，而專用ASIC又不夠靈活，最好需要有一個像GPU為Graphics進(jìn)行加速一樣，出現(xiàn)一種能為Vision提供強大計算能力的VPU芯片。
3D攝像頭作為一種計算視覺用的光學(xué)產(chǎn)品，從演示到工程樣機、再從工程樣機到量產(chǎn)需要跨過的工程技術(shù)鴻溝比一般的拍攝類光學(xué)產(chǎn)品要大很多。比如光學(xué)器件的一致性篩選和光學(xué)參數(shù)的標(biāo)定校正，就是一個單獨的研究方向。
產(chǎn)品的多樣性：作為一種光學(xué)產(chǎn)品，天然存在產(chǎn)品規(guī)格多樣性的問題，比如就最基礎(chǔ)的檢測距離指標(biāo)來說，就很難做到遠(yuǎn)近兼顧，必須在最大距離和最近盲區(qū)之間作出組合折衷。不同的應(yīng)用場景需要不同規(guī)格的產(chǎn)品進(jìn)行適配和優(yōu)化，因此對產(chǎn)品和技術(shù)方案的可伸縮性要求就很高，需要有多種不同規(guī)格的產(chǎn)品去滿足不同的應(yīng)用需求。
人工智能：基于3D視覺數(shù)據(jù)一般都是為了實現(xiàn)更高級的識別和分析能力，也就是對3D視覺數(shù)據(jù)使用的能力要求也很高，需要更聰明的大腦來使用更全面的視覺數(shù)據(jù)。”
AICRobo智能機器人系統(tǒng)架構(gòu)師佘元博：
“機器視覺在消費市場落地，技術(shù)上是人工智能技術(shù)和機器人硬件有效融合的問題，有兩條路：
1.自上而下。以人工智能技術(shù)應(yīng)用為主，要求機器人硬件盡可能符合人工智能技術(shù)工程化的條件。這意味著，產(chǎn)品得增加傳感器，以保障智能算法數(shù)據(jù)供給，得提高成本，有良好的計算資源讓復(fù)雜的智能算法“跑”起來。還意味著產(chǎn)品具有不穩(wěn)定性，人工智能技術(shù)以概率為主，產(chǎn)品功能依賴人工智能技術(shù)的比例越大，產(chǎn)品功能越不穩(wěn)定。機器視覺應(yīng)用里面，人臉檢測是很穩(wěn)定的，但遇到黑人也難打包票。
2.自下而上。以機器人硬件為主，在功能上應(yīng)用人工智能技術(shù)輔助。這意味著，產(chǎn)品比較可靠，但同時也失去了一些智能化的特性。當(dāng)產(chǎn)品需要某些智能化的功能時，要花費大量人力針對某個“智能算法”做移植，將本來在不穩(wěn)定環(huán)境中運行的算法應(yīng)用在可控、高效而且低成本的嵌入式環(huán)境中，這點讓很多專注理論算法的工程師頭疼。
機器視覺技術(shù)落實在產(chǎn)品上，有時候是自下而上做產(chǎn)品的過程中，給了“智能算法”太多的束縛，大家總是優(yōu)先考慮成本和穩(wěn)定性，而不是技術(shù)應(yīng)用本身。我們從人工智能領(lǐng)域出來做機器人，希望兩者做個折衷，以自上而下的愿景給智能技術(shù)找一個市場立足點。市場對智能產(chǎn)品需求的不明晰，也是機器視覺難落地市場的一大因素。”
可以看出，芯片的運算能力以及成本是大家認(rèn)為機器視覺在消費級市場落地的主要影響因素，其次是集成方案以及人工智能技術(shù)。但由于消費電子對于量和價格以及技術(shù)成熟度均有著較高要求，可能要到這些配合的產(chǎn)業(yè)鏈環(huán)節(jié)都成熟之后，消費應(yīng)用的春天才會到來，雷鋒網(wǎng)也會進(jìn)一步關(guān)注這方面的進(jìn)展。
