第2章：计算机视觉基础回顾
各位同学，咱们今天聊点实在的。做安防监控，说白了就是让摄像头学会“看懂”画面。但在这之前，得先把地基打牢。这一章我会带着大家快速过一遍计算机视觉的核心基础——图像处理、CNN原理，还有目标检测算法的演进。别嫌基础，我踩过的坑，十有八九都是基础不牢导致的。
2.1 图像处理基础：从像素到特征
图像是什么？在计算机眼里，就是一堆数字。一张彩色图片，其实就是三个矩阵（R、G、B）叠在一起。每个像素的值在0到255之间。嗯，这里要注意：安防场景下，光照变化特别大，所以预处理这一步我从来不敢省。
核心操作：
- 灰度化：去掉颜色信息，只保留亮度。公式是 Gray = 0.299R + 0.587G + 0.114B。为什么？因为人眼对绿色最敏感。
- 直方图均衡化：让图像对比度更明显。我在做夜间监控时，这招特别管用。
- 高斯滤波：去噪。但别过度，否则边缘信息就没了。
举个例子，你想想看，一个摄像头对着走廊，白天和晚上的亮度差了几十倍。如果不做归一化，模型直接崩。我个人习惯，先做直方图均衡化，再归一化到[0,1]区间。
2.2 卷积神经网络(CNN)核心原理
CNN这东西，现在听起来好像很平常。但我2015年刚接触时，觉得这玩意儿简直是黑魔法。其实拆开来看，就三样东西：卷积、池化、全连接。
2.2.1 卷积层：特征提取器
卷积核，说白了就是一个滑动窗口。比如一个3x3的核，在图像上滑一遍，每个位置做点积。为什么能提取特征？因为不同的核能检测不同的模式——边缘、纹理、角点。
我的经验： 在安防场景中，小目标（比如远处的行人）特别多。我建议第一层卷积核别用太大，3x3就够了。太大反而会丢失细节。
2.2.2 池化层：降维打击
池化就是下采样。最大池化取区域最大值，平均池化取平均值。为什么要做？两个原因：一是减少计算量，二是让特征有平移不变性。说白了，就是让模型更鲁棒。
我曾经在一个人脸识别项目里，因为没加池化层，模型过拟合得一塌糊涂。加了之后，准确率直接提升了5个点。
2.2.3 激活函数：引入非线性
ReLU（修正线性单元）是现在的主流。公式很简单：f(x) = max(0, x)。为什么用它？因为计算快，而且能缓解梯度消失问题。但要注意，ReLU有个“死神经元”问题——如果输入一直为负，神经元就永远不更新了。我一般用Leaky ReLU来避免这个问题。
2.3 目标检测算法演进
目标检测，就是让模型告诉我：画面里有什么东西，在什么位置。安防监控里，这就是核心中的核心。从Faster R-CNN到YOLO，再到SSD，我一个个说。
2.3.1 Faster R-CNN：两阶段的开山鼻祖
Faster R-CNN的思路是：先找出可能包含目标的区域（候选框），再对这些区域进行分类和回归。它引入了RPN（区域提议网络），把候选框生成也变成了网络的一部分。
核心流程：
- 输入图像经过CNN提取特征图
- RPN在特征图上生成候选框
- RoI Pooling将候选框映射到固定尺寸
- 分类+回归输出最终结果
优点：精度高。缺点：慢。在安防场景里，如果要求实时性（比如25帧/秒），Faster R-CNN基本扛不住。我试过在1080P视频上跑，一帧要200多毫秒，根本没法用。
2.3.2 YOLO：一阶段的实时王者
YOLO（You Only Look Once）的思路完全不同。它把检测当成回归问题，一次推理直接输出边界框和类别。说白了，就是看一眼就知道结果。
YOLOv3的关键改进：
- 多尺度预测：在三个不同尺度的特征图上做检测，能同时检测大目标和小目标
- Darknet-53骨干网络：更深的网络，更好的特征提取
- 逻辑回归代替softmax：支持多标签分类
我记得有一次做园区安防，需要检测行人、车辆、自行车。用YOLOv3，在NVIDIA Jetson TX2上能跑到30帧/秒，延迟只有33毫秒。这个速度，完全满足实时监控需求。
避坑指南： 我曾经在YOLO训练时，把输入尺寸设成了416x416，结果小目标（比如远处的行人）全漏检了。后来改成608x608，召回率从70%提到了85%。记住：输入尺寸越大，小目标检测效果越好，但速度会下降。需要权衡。
2.3.3 SSD：速度与精度的平衡点
SSD（Single Shot MultiBox Detector）也是单阶段方法。它和YOLO的区别在于：SSD在不同尺度的特征图上直接做预测，而且用了默认框（default boxes）的概念。
SSD的优势：速度快，精度也不错。在VOC2007数据集上，SSD300能达到74.3% mAP，速度是59 FPS。这个组合，在安防场景里很实用。
我个人觉得，SSD比YOLO更容易调参。因为它的默认框设计更灵活，可以针对不同数据集调整长宽比和尺度。我在做车牌检测时，就把默认框的长宽比改成了2:1和3:1，效果立竿见影。
2.4 本章知识体系总览
下面这张图，是我自己画的。它把这一章的核心逻辑串起来了。你仔细看，从图像预处理到CNN特征提取，再到三种检测算法的对比，一目了然。
好了，这一章的内容就到这里。图像处理是基础，CNN是核心，目标检测算法是实战工具。这三样东西，你吃透了，后面讲安防场景落地时，就会轻松很多。