从零开始的图像识别

    在很多使用深度学习（人工神经网络）的图形识别实践中，我注意到一个现象：原始的图片（有的仅包含有人工标注出某些物体所在的轮廓线）被直接用于深度学习模型训练。这些做法中，并未对图片进行一些基于OpenCV的“简单”预处理，例如：轮廓线提取，前景、背景识别（基于镜头聚焦导致的模糊现象）、高光消除。

    当然，有一些预处理也许并不简单，例如，2D到3D场景的还原，基本形状的识别等等。但是，我始终觉得，做图像识别的思路，不能简单的做大量数据的拟合，而是要还原到图像的本质中去，从点线面体开始，建立各种基本的几何概念、图像概念。例如：点、圆、线条、曲线、轴对称与中心对称、投影变换、拉伸变换、对称变换、手性变换等。

    举个例子，许多做的不太好的OCR软件会搞不定一些“较为相似”的汉字的识别，例如“人”和“入”。进行OCR训练时用的算法直接去做了人工神经网络，人工神经网络在某个层次的分量中知道“入”字的最强特征头部的一撇儿。从零开始的图像识别里，我们将不通过大量的字体图片数据得到这一点特征，而是通过少量的几个字就能认识到这个特征。

    那么，建立一个基于平面几何学的图像识别系统，这是可能的吗？

    回忆一下，人类是如何通过视觉认识这个世界的呢？ 人类的婴儿是如何学习视觉系统的？首先人类的视觉皮层拥有大量的神经元细胞和极大的数据带宽——虽然视觉皮层产生的图像目前已经不如数码相机，但是动态对比度等其他特性仍然是及其优秀的。婴儿有了这些“硬件环境”之后，仍需要学习以获得视觉处理的“软件”。这一点很像是我们的现状。我们有的大量的图像和视频采集设备，但是没有一个高明的算法，让它们工作起来。设想，假设我们能造出一个软件，接入Go Pro佩戴到盲人身上，就能实时语音提醒“前面有一个台阶”、“前方红绿灯路口是红灯”，这该多棒！

    在我们的从零开始的图像识别里，我们一开始，将设计一个基本形状学习系统。我们将像教婴儿一样，教我们的软件一些基本的形状，让其“领悟”这些基本形状所对应的基本概念。最终实现：输入一个基本形状，输出名称：“三角形”、“圆形”。