可视光精确制导技术（视觉识别技术在制导系统里的可能应用）

可视光精确制导技术（视觉识别技术在制导系统里的可能应用）虽然不如专门训练的深度学习算法，但在大多数场景下也是可以满足应用的。这个算法在OpenCV里有实现，对各种背景下的人脸识别率还是很高的。某大学的才子吴谢宇犯罪之后在重庆机场被捕，就是被人脸识别系统拍到了一张正脸照片。1，人的脸部区域的检测，以现有的CV技术，在大量的背景中识别出人脸区域并不难，常用的技术是基于Haar小波的级联分类器（Haar Cascade detector）。

计算机视觉（CV）这个领域，大概起源于40年前的美国。

麻省理工学院（MIT）的大牛霍恩的那本“机器视觉”教材已经讲了30多年了，成书于1980年代。

不过视觉识别的最新进展开始于2006年，辛顿在这年创立了深度学习，并在2016年后迅速在工业界发展了起来。

CV领域的主要技术之一就是人脸识别。

某大学的才子吴谢宇犯罪之后在重庆机场被捕，就是被人脸识别系统拍到了一张正脸照片。

1，人的脸部区域的检测，

以现有的CV技术，在大量的背景中识别出人脸区域并不难，常用的技术是基于Haar小波的级联分类器（Haar Cascade detector）。

这个算法在OpenCV里有实现，对各种背景下的人脸识别率还是很高的。

虽然不如专门训练的深度学习算法，但在大多数场景下也是可以满足应用的。

人脸识别的效果

2，根据人脸区域进行身份识别，

当把人的脸部区域检测出来之后，下一步就是具体去识别这是谁的脸。

这一步依赖于深度学习所提取的人脸特征。

只要使用一个多层的卷积神经网络（CNN），把人脸图像映射到一个128维的特征向量，就可以对不同的人脸进行身份分类：把同一个人的照片归为一类，把不同人的照片区分开。

使用的样本人数越多、每个人的照片数越多，这个分类的精确度就越高。

人的照片可以是个256x256像素的图像，直接用语言去精确描述两个人的面部有什么区别是很难的。人可以一眼看出不同的人来，但难以用语言或数学公式把这种差异精确描述出来。

但人可以构造一个数学映射：f(人脸照片X) ---> 128维特征向量Y ---> 人的身份编号N。

从人脸照片到特征向量的映射，是一个非线性的映射。它没法给出解析解，但可以用神经网络去近似求解。

而从特征向量Y到人的身份编号N的映射，是一个线性映射：AY b ---> N。

其中N是与人数相等的一个向量，是哪个人就把哪一位置1，把其他位置0，类似这样[0.... 1 .... 0]，而不是把它映射到0-N这样的范围较大的一维数字。

让网络的输出范围在0～1之间可以减少模型的波动，避免不收敛。

因为后半部分是线性的，也就是说特征向量Y是线性可分的。既然是线性的，当然要遵守叠加原理。

所以把眼镜的特征向量与人脸的特征向量叠加，然后再通过反向的网络把它恢复成照片，就可以把眼镜加到照片上了[呲牙]

既然是线性可分的，那么把向量的长度归一化之后，类似的特征向量就该指向类似的方向，所以测量向量夹角的余弦距离就可以当作分类器。

cos(Y0 Y1) > 0.9就可以判断为同一个人的照片。

夹角是0时为同一个方向，这时余弦是1，正弦是0。

3，运动跟踪，

一旦被制导系统抓到了正脸照片，再想逃过打击是几乎不可能的，因为还有一个算法叫运动跟踪。

即识别目标照片上的极值点作为特征点，然后不断根据目标的运动情况进行特征匹配。

学过高数的都知道，一阶导数的有可能是极值点，但同时二阶导数的一定是极值点。

在线性变换之下，极值点变换之后还是极值点。它是变换的一个稳定点。

物体的运动当然也是一个线性变换。

所以，图像上的极值点可以用来作为运动跟踪的特征点。

而获取特征点的算法，都跟图像的海塞矩阵（广义的二阶导数）有关。

著名的SIFT算法、SURF算法，都是基于海塞矩阵的。

完成这一步之后，就可以认为目标被制导系统锁定了。

之后无论它怎么运动，只要智能制导系统实时更新特征点，就可以一直锁定着它。

除非他的加速度（过载）超过武器本身，否则他很难逃脱。

人一旦被制导炮弹跟踪，那是几乎不可能逃脱的。

我不知道美国给乌克兰的制导炮弹是不是这么个算法，但是按照这个算法思路是可以制导跟踪的。

等哪天我给个OpenCV的跟踪效果图。

虽然程序员老是讽刺算法工程师是调参侠，但技术行业就喜欢自黑，外行可不能当真[捂脸]