用“眼睛”去看，来提高计算和处理系统的效率！

引入计算机视觉（CV）范式，通过视觉输入提高计算和处理系统的效率。这些视觉输入采用先进的技术进行处理，以提高人机交互（HMI）的可靠性。视觉输入的处理需要进行多层次的数据计算，以实现特定应用的可靠性。

因此，该研究介绍了一种两级视觉信息处理(2LVIP)方法，以满足HMI应用的可靠性要求。2LVIP方法通过分类学习来处理结构化数据和非结构化数据，从输入中提取最大增益。本文以“A two-level computer vision-based information processing method for improving the performance of human–machine interaction-aided applications”为题于2020年10月8日发布于《Complex & Intelligent Systems》杂志上。

研究背景

计算机视觉（Computer Vision，简称CV）是一种人工智能辅助的范式，它通过摄像头、视频和深度学习方法来检测数字世界。它以适当的方式对物体进行分类，并自动做出反应。CV专注于物体的三维建模、多摄像机几何分析、云处理和基于运动的推断。它从机器上获取输入，并根据特定的知识处理输出，即对象标签和同步。

它还包括开发特定的技术，如图像识别、视觉识别和面部识别等。大多数情况下，CV是用来实现对数字处理的高级理解。CV的任务是在更高的维度上捕捉、检查和识别数字对象和提取物。这一任务使其能够为几何学、物理学、统计学和学习理论中使用的图像转换提供所需的科学或代表性信息。

人机交互(HMI)涉及通过用户界面与机器进行交流和合作。这些交互是在用户和机器之间进行的，以控制机器的直观行为。近年来，特定的传感器被用来捕捉控制机器所需的正常、异常和神经姿态。在HMI中，CV用于获取高级别的照片和视频，用于理解这图像。CV与HMI的关系在于，它们既能检测和监视物体，也能通过确定物体的运行条件来控制它们。

CV的升级应用之一是手势识别，它监测HMI中使用的姿势，并与它们进行交互。该应用的目标是获得有力的非特定视觉。它被应用于自动停车、用手势控制音乐、多次触摸的眼球跟踪等。在虚拟现实应用中，CV和HMI通常一起使用。与其他基线技术相比，CV与HMI结合产生的误差最小。

CV中的数据处理是通过获取图像，然后提取需要处理的信息。CV使用高级方法获取输入图像；基于这种方法，获得分类，呈现相应的结果。因此，开发了识别方法来检测图像。获得的图像通过人机界面应用与机器进行交互，例如依靠语音和听觉的辅助设备，针对特定平台开发。许多基于预测的方法和机器学习算法已经被开发出来，用于与HMI相关的CV检测。目前的工作是针对结构化数据和非结构化数据结合时出现的错误。它采用树法进行分类，使其达到最大的收益，并采用回归法来降低结构化数据和非结构化数据结合时的误差，最大限度地提高精度。

单目机器人视觉(MRV)用于与发现预测并行进行的不可见显着对象检测。无监督觅食对象(UFO)是最快速和最准确的方法，值得注意的对象发现。这是通过对机器人的真实世界的感知来完成的。主要目的是提高自主性和解决机器人的挑战，同时参与一个突出的对象发现过程。

CV以自动检测的方式学习语义对象的实例。该研究的目的是提高结构化和非结构化数据的分类精度，从而减少这些分类方法带来的误差。

图为两级视觉信息处理

图为输入数据处理

利用离散有限值导出结构化数据和非结构化数据的分类。它基于在特定时间获取的数据，并指示两组数据，例如有限值。

图为分类过程

图为回归过程说明

图为基于回归的检测过程

通过对不同度量指标的比较研究，讨论了该方法的性能评价。在此评估中，所考虑的度量包括精度、增益比、误差和处理时间。

在精度分析中，采用了前人的数据和即将得到的数据。通过与其它三种方法的分类比较，发现当信息增益减小时，得到的精度值较小。因此，如果分类得到改进，那么增益也会增加。这样，错误就减少了。

图中a为精度与分类实例。b为精度与信息增益%

图为增益%与分类实例

图中a为错误与分类实例。b为误差与信息增益%

尽管在使用2 LVIP方法时有大量的分类数据，但它的处理时间最小，如图所示。

图为a处理时间与分类实例。b处理时间与信息增益%

累积结果表明，该方法的精度和增益分别提高了3.61%和9.42%。它还使误差和处理时间分别减少了6.51%和21.75%。

研究结论

该研究讨论了一种提高人机交互系统精度的两级视觉信息处理方法。根据现有的信息，将从成像设备获得的输入分为结构化数据和非结构化数据。然后提取最大的信息增益，利用回归法来减小所获信息的误差。回归过程利用训练集数据，通过递归离散值和有限值估计来减少误差和处理时间。回归分析采用预测成本估计进行递归处理。

训练是为了减少从视觉输入中提取有用信息的处理时间。通过对分类和回归过程的调整，发现所提出的方法可以最大限度地提高检测对象的精度和信息增益，并减少错误和处理时间。在未来，基于优化的回归方法将被应用于物体的分类。

参考文献：Osama Alfarraj & Amr Tolba A two-level computer vision-based information processing method for improving the performance of human–machine interaction-aided applications   Complex & Intelligent Systems (2020)