作為人工智能的兩個(gè)分支，計(jì)算機(jī)視覺(jué)與機(jī)器視覺(jué)在近年都取得了長(zhǎng)足的進(jìn)步。前者自2010年以來(lái)，隨著深度學(xué)習(xí)再度流行并用于目標(biāo)識(shí)別，在人臉識(shí)別等方面已經(jīng)超過(guò)了人類(lèi)；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(fèi)級(jí)市場(chǎng)方面，計(jì)算機(jī)視覺(jué)與機(jī)器視覺(jué)的進(jìn)展并不大。不少人對(duì)于計(jì)算機(jī)視覺(jué)與機(jī)器視覺(jué)在消費(fèi)級(jí)市場(chǎng)能有多大實(shí)質(zhì)性地應(yīng)用，存在深深地?fù)?dān)憂。

▌?dòng)?jì)算機(jī)視覺(jué)與機(jī)器視覺(jué)

   首先，我們有必要理清楚機(jī)器視覺(jué)與計(jì)算機(jī)視覺(jué)之間的關(guān)系。從學(xué)科分類(lèi)上， 二者都被認(rèn)為是 Artificial Intelligence 下屬科目，不過(guò)計(jì)算機(jī)視覺(jué)偏軟件，通過(guò)算法對(duì)圖像進(jìn)行識(shí)別分析，而機(jī)器視覺(jué)軟硬件都包括（采集設(shè)備，光源，鏡頭，控制，機(jī)構(gòu)，算法等），指的是系統(tǒng)，更偏實(shí)際應(yīng)用。簡(jiǎn)單的說(shuō)，我們可以認(rèn)為計(jì)算機(jī)視覺(jué)是研究“讓機(jī)器怎么看”的科學(xué)，而機(jī)器視覺(jué)是研究“看了之后怎么用”的科學(xué)。

   計(jì)算機(jī)視覺(jué)與機(jī)器視覺(jué)的問(wèn)題是，前者太學(xué)術(shù)，后者太工業(yè)，因而一直以來(lái)在消費(fèi)級(jí)市場(chǎng)缺乏好的產(chǎn)品。圖漾創(chuàng)始人費(fèi)浙平向雷鋒網(wǎng)記者說(shuō)，機(jī)器視覺(jué)的很多核心技術(shù)和原理多年前就比較成熟了，近年來(lái)的進(jìn)展主要集中在工程化，比如GPU和視覺(jué)計(jì)算加速器的出現(xiàn)解決了計(jì)算量問(wèn)題。但與此同時(shí)，要想把視覺(jué)技術(shù)實(shí)現(xiàn)真正產(chǎn)品落地，中間還有不少其他問(wèn)題，他們也在摸索中。

   視覺(jué)技術(shù)在消費(fèi)級(jí)市場(chǎng)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(duì)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(dòng)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(píng)果也相繼在深度攝像頭的應(yīng)用場(chǎng)景上跟進(jìn)，一切都看起來(lái)往好的方向發(fā)展。

   但深度攝像頭作為獨(dú)立產(chǎn)品，市場(chǎng)化難度頗大。例如Intel在13年在開(kāi)發(fā)者會(huì)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(kāi)始在產(chǎn)品線中部署這款深度感知模塊。而兩年多過(guò)去了，曾經(jīng)預(yù)言的集成深度攝像頭的產(chǎn)品遲遲未見(jiàn)。

   那么，處于計(jì)算機(jī)視覺(jué)和機(jī)器視覺(jué)交叉部分的深度攝像頭，應(yīng)該如何打開(kāi)消費(fèi)級(jí)市場(chǎng)？

▌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(gè)攝像頭便能感知彩色可見(jiàn)光信息（Red、Green、Blue），而RGBD攝像頭是在我們常見(jiàn)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(dòng)式獲取和被動(dòng)式獲取。二者的主要區(qū)別集中在觀測(cè)傳感器是否主動(dòng)向環(huán)境發(fā)出探測(cè)光。

   如大疆精靈4上的雙目視覺(jué)便是被動(dòng)式獲取深度圖像，其技術(shù)特點(diǎn)是攝像頭不主動(dòng)向環(huán)境中發(fā)射能量，而通過(guò)兩個(gè)以上攝像頭計(jì)算特征點(diǎn)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(lèi)雙眼獲得時(shí)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(shí)別精度還不高，過(guò)于依賴光線，而且無(wú)法處理特征不明顯的場(chǎng)景，所以強(qiáng)光暗光都會(huì)導(dǎo)致深度計(jì)算的失效。

   主動(dòng)式獲取所采用的方式則是從蝙蝠等生物上尋找靈感，通過(guò)主動(dòng)發(fā)射探測(cè)光通過(guò)計(jì)算獲取深度圖像。這當(dāng)中又分為三類(lèi)：“RF-modulated light sources with phase detector”、“Range gated imagers”、“Direct Time-of-Flight imagers”，如Kinect一代所采用的PrimeSense就屬于第二類(lèi)，隨著蘋(píng)果收購(gòu)PrimeSense，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(gè)紅外投射器、一個(gè)RGB攝影頭和一個(gè)紅外感應(yīng)器，由于深度攝像頭自帶光源，而且是不可見(jiàn)的紅外光，對(duì)我們的生活無(wú)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(dòng)方式，兩個(gè)同波段紅外光會(huì)出現(xiàn)干涉，導(dǎo)致兩臺(tái)一樣的深度攝像頭沒(méi)有辦法一起使用，而且受發(fā)射功率的影響，檢測(cè)距離也會(huì)受到很大影響。

   市面上常見(jiàn)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(shí)，深度攝像頭還難以應(yīng)用于戶外，因?yàn)殛?yáng)光中也有紅外成分，會(huì)對(duì)主動(dòng)紅外光部分造成干擾。紅外光對(duì)于玻璃情景，也無(wú)計(jì)可施，出現(xiàn)無(wú)法探測(cè)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(duì)Kinect二代的綁定更加嚴(yán)厲，這更加抑制了銷(xiāo)售量；Leap Motion兩年前由于銷(xiāo)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(shí)；蘋(píng)果收購(gòu)了Primesense之后也不知道在盤(pán)算什么小九九，有分析稱蘋(píng)果打算放在iPhone上，這樣我們拍照時(shí)就能拍出3D效果的了；另一邊Intel則將目標(biāo)對(duì)準(zhǔn)了機(jī)器人無(wú)人機(jī)，比如小米的機(jī)器人Segway Robot以及昊翔的無(wú)人機(jī)Typhooon H。

   機(jī)器人和無(wú)人機(jī)正是這兩年的大熱產(chǎn)品，看起來(lái)Intel可能會(huì)成為贏家，但因?yàn)镾egway Robot和Typhooon H都還未正式上市，因此效果如何還有待驗(yàn)證。也就是說(shuō)，在消費(fèi)級(jí)市場(chǎng)還沒(méi)有一個(gè)特別成功的案例。

Intel CEO 科再奇展示應(yīng)用了RealSense模塊的的Typhooon H

   而在國(guó)內(nèi)，Intel的RealSense出來(lái)之后，給了國(guó)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(wú)幾。

   奧比中光是其中最早實(shí)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(jìng)爭(zhēng)的是華捷艾米，只不過(guò)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(duì)消費(fèi)應(yīng)用還在觀望階段；格靈深瞳正在做應(yīng)用在自動(dòng)駕駛汽車(chē)上的深度攝像頭；速感看好機(jī)器人；

   機(jī)器人是目前熱門(mén)的應(yīng)用領(lǐng)域，目前機(jī)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(chǎng)上已經(jīng)有公開(kāi)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(jué)導(dǎo)航的SLAM方案則還很少見(jiàn)，iRobot是較早開(kāi)始在其掃地機(jī)器人上使用SLAM方案，不過(guò)也不到1年時(shí)間，因此想要在機(jī)器人上使用視覺(jué)避障與導(dǎo)航，看起來(lái)還需要一段時(shí)間。

▌要解決的問(wèn)題有哪些

   那么，深度攝像頭消費(fèi)級(jí)應(yīng)用的春天何時(shí)才會(huì)到來(lái)？通過(guò)與相關(guān)從業(yè)人員的交流，我們感覺(jué)到深度攝像頭只是一個(gè)產(chǎn)業(yè)鏈中的一環(huán)，當(dāng)他們?cè)谧錾疃葦z像頭的時(shí)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(shí)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(fèi)領(lǐng)域落地的其中一個(gè)障礙還是支持高性能運(yùn)算的低功耗低價(jià)位芯片選擇太少，有限的幾個(gè)也很難用。所以目前只能在工業(yè)領(lǐng)域，機(jī)器視覺(jué)本身是工業(yè)術(shù)語(yǔ)。在大消費(fèi)領(lǐng)域我們傾向于叫 embedded vision（嵌入式視覺(jué)）。這一類(lèi)產(chǎn)品都是光、機(jī)、電、軟件、算法一體，跨多個(gè)專(zhuān)業(yè)領(lǐng)域，對(duì)系統(tǒng)集成的難度要求更高。”

uArm機(jī)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?yàn)檫@些零配件裝在一起，需要校正、標(biāo)定等，這是一個(gè)挺大的挑戰(zhàn)，特別是對(duì)創(chuàng)業(yè)公司?！?/p>

速感科技創(chuàng)始人陳震：

   “單從機(jī)器人領(lǐng)域來(lái)看，機(jī)器視覺(jué)有很大一塊兒需要解決的問(wèn)題是，目前在產(chǎn)業(yè)上游的核心傳感器和下游的機(jī)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(guó)內(nèi)有廠商專(zhuān)門(mén)搞攝像頭，雷達(dá)這樣的元器件，專(zhuān)門(mén)有廠商做機(jī)器人整機(jī)，但是幾乎沒(méi)有一個(gè)成熟的視覺(jué)技術(shù)方案可以把不同的傳感器串聯(lián)起來(lái)，做成一個(gè)可以商用的統(tǒng)一的方案。

   機(jī)器人是個(gè)復(fù)雜的系統(tǒng)，機(jī)器視覺(jué)也是機(jī)器人上一個(gè)復(fù)雜的部件，通過(guò)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(wú)法在現(xiàn)有機(jī)器人上較好的實(shí)現(xiàn)各種功能的。

   也就是說(shuō)，在機(jī)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(shí)現(xiàn)各種復(fù)雜的功能和任務(wù)。

   而目前的機(jī)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(jī)器人廠商變成了機(jī)械式的集成商，從訊飛拿語(yǔ)音，從視頻門(mén)戶拿內(nèi)容，從深圳拿移動(dòng)底盤(pán)公模等等，視覺(jué)上面，也呈現(xiàn)出零星的發(fā)展態(tài)勢(shì)。

   我們認(rèn)為，機(jī)器人在接下來(lái)的發(fā)展中，必然會(huì)出現(xiàn)一兩套整體的標(biāo)準(zhǔn)集成方案，類(lèi)似PC時(shí)代的windows操作系統(tǒng)和手機(jī)時(shí)代的IOS操作系統(tǒng)一樣?！?/p>

圖漾創(chuàng)始人費(fèi)浙平：

   “視覺(jué)計(jì)算處理器：由于視覺(jué)計(jì)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(qiáng)大，而專(zhuān)用ASIC又不夠靈活，最好需要有一個(gè)像GPU為Graphics進(jìn)行加速一樣，出現(xiàn)一種能為Vision提供強(qiáng)大計(jì)算能力的VPU芯片。

   3D攝像頭作為一種計(jì)算視覺(jué)用的光學(xué)產(chǎn)品，從演示到工程樣機(jī)、再?gòu)墓こ虡訖C(jī)到量產(chǎn)需要跨過(guò)的工程技術(shù)鴻溝比一般的拍攝類(lèi)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(gè)單獨(dú)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(wèn)題，比如就最基礎(chǔ)的檢測(cè)距離指標(biāo)來(lái)說(shuō)，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(chǎng)景需要不同規(guī)格的產(chǎn)品進(jìn)行適配和優(yōu)化，因此對(duì)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(jué)數(shù)據(jù)一般都是為了實(shí)現(xiàn)更高級(jí)的識(shí)別和分析能力，也就是對(duì)3D視覺(jué)數(shù)據(jù)使用的能力要求也很高，需要更聰明的大腦來(lái)使用更全面的視覺(jué)數(shù)據(jù)?！?/p>

AICRobo智能機(jī)器人系統(tǒng)架構(gòu)師佘元博：

   “機(jī)器視覺(jué)在消費(fèi)市場(chǎng)落地，技術(shù)上是人工智能技術(shù)和機(jī)器人硬件有效融合的問(wèn)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(jī)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(jì)算資源讓復(fù)雜的智能算法“跑”起來(lái)。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(jī)器視覺(jué)應(yīng)用里面，人臉檢測(cè)是很穩(wěn)定的，但遇到黑人也難打包票。

   2.自下而上。以機(jī)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(shí)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(shí)，要花費(fèi)大量人力針對(duì)某個(gè)“智能算法”做移植，將本來(lái)在不穩(wěn)定環(huán)境中運(yùn)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(diǎn)讓很多專(zhuān)注理論算法的工程師頭疼。

   機(jī)器視覺(jué)技術(shù)落實(shí)在產(chǎn)品上，有時(shí)候是自下而上做產(chǎn)品的過(guò)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(lái)做機(jī)器人，希望兩者做個(gè)折衷，以自上而下的愿景給智能技術(shù)找一個(gè)市場(chǎng)立足點(diǎn)。市場(chǎng)對(duì)智能產(chǎn)品需求的不明晰，也是機(jī)器視覺(jué)難落地市場(chǎng)的一大因素。”

   可以看出，芯片的運(yùn)算能力以及成本是大家認(rèn)為機(jī)器視覺(jué)在消費(fèi)級(jí)市場(chǎng)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(fèi)電子對(duì)于量和價(jià)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(fèi)應(yīng)用的春天才會(huì)到來(lái)，雷鋒網(wǎng)也會(huì)進(jìn)一步關(guān)注這方面的進(jìn)展。