自从上了研究生才让我对人工智能领域有了些许了解，然而也让我对其下一个热门领域——计算机视觉产生了浓厚的兴趣。然而目前已经快接触有一年的时间了，但还是有许多要提升的地方。现在就自己的学习路径作个总结。
计算机视觉可以分三步走我个人觉得比较适合自己，这是一些浅见。第一个阶段——图像处理(数字图像处理)，第二阶段——图像识别(机器学习)，第三阶段——图像语义的理解(深度学习)。
这期间自己接触过一些书籍也感觉是比较好的，同时也是我一直都需要看的。
第一阶段：图像处理
环境：win10+VS2012+Opencv2.4.10
环境的搭建可以在网络上搜，现在已经有很多教程了，同时推荐安装Opencv3.2.0及以上的，环境配置及其方便，基本都集成在一个库里面，所以也只需要添加一个就好。前几天Opencv官网又出了新的版本——Opencv3.3.0这刚好迎合了深度学习的热潮，其中将DNN放入主要模块中的确是巩固Opencv市场根基的又一大体现。言归正传，《数字图像处理(第三版)》冈萨雷斯 著，这本书可以说是图像处理中的一股清流，书中对图像处理的原理深入浅出的讲解了；哈哈，看书是不是没能给你直接的感触，此时，《Opencv3编程入门》就闪亮登场啦，在这之前也有一本圣经《learning Opencv》这本书是基于Opencv1版本的，我当时没有看这本。《Opencv3编程入门》此书是博客专家浅墨著作的，这本书可以理解为是《数字图像处理》这本书中的大部分代码的实现，很直观，同时书中对Opencv几个常用的模块都有代码详细说明，本书的代码大部分都是C风格的，些许用到了C++模板库的函数，比如：vector等，要想深入学习以及用好图像处理的话还是有必要把C++学好，其实后期还会接触到Python编程语言（这个有空就看下吧，作为视觉领域或图像处理领域这两门语言算是必会了）。哈哈，把图像处理和Opencv中的例程都实现一遍后(这一阶段就感觉是把PS中实现的功能，自己给通过实实在在的代码给实现了，衰，当然自己还是很菜的，不能跟PS神器进行比拟)， 你会更加迫不及待要做些“大事”的，但发现除了将图像增强啊，什么开操作，闭操作，图像物体简单检测，目标简单跟踪，人脸检测下之外，要识别物体就衰了。所以这阶段能把图像处理这本书以及Opencv学好这对后期的学习还是有很大的帮助的，不要着急去学习其他的所谓“切勿浮沙筑高台”嘛。基础还是很重要的。
第二阶段：图像识别
环境：Python2.7+scikit-learn
这一阶段呢，需要学的也是很多的，首先就是从原理上了解。对于机器学习，无疑斯坦福大学的《机器学习》课程，吴恩达这位人工智能大牛主讲，帮助了无数人学习机器学习，从理论上讲解机器学习的数学原理，同时李航博士著的《统计学习方法》也深入浅出的道出了机器学习算法的原理，提出了方法 = 模型 + 策略 + 算法。本书也是按着这样的思路给我们娓娓道来的，在Opencv中也有对应的模块ml，这里面包含了常用的机器学习算法，同时Python版的scikit-learn也是学习机器学习的好库，同时也把Python这门语言提升一下，对于最终要学习的深度学习用Python实现相应功能还是很快捷方便的，毕竟Python的宗旨就是智能简洁；要学会常用算法的使用以及学会其中几个编写(还有好多都是用的库，比如SVM，这个自己写就很费时，利用前人造的轮子我们拿来用就好了)，其中SVM（支持向量机）的数学原理必须要明白，从线性可分到线性不可分是如何加入核函数的，以及如何定义loss function函数的，其中的证明过程也是要会的。ＳＶＭ还有一本书专门写它的，叫《支持向量机导论》里面都是关于它的数学证明（是不是感觉机器学习就是在搞数学，泪崩），虽然过程是痛苦的，但实现像人脸识别啊，车牌识别之类的识别工作通过机器学习进行分类效果还是很不错的，当然了这里面也是有很多关于图像上的知识要学，比如，你要实现人脸的识别，首先你得提取人脸的特征，让机器知道这是一张脸，之后才是识别的工作，这其中就牵扯到特征的提取，在人脸中利用的haar特征，又比如之前很火的ＨＯＧ＋SVM组合进行行人检测的，其中，HOG就是提取特征，SVM进行分类。这在Opencv中也有专门的模块讲解特征检测的。但是近年来随着神经网络的惊人的效果以及精确度，迅速占领了像CVPR、ICCV等这些顶级会议（计算机视觉界比较牛X的学术会议，代表了你在这一领域的学术水平，哈哈，小菜我如果能发一篇，好吧，回归现实），中间几乎所有的paper都用到了神经网络，所有学习它自然也是必然水到渠成的过程啦。
第三部分：图像语义的理解
终于来到这模块了，还很激动，毕竟小菜最近才刚把Caffe配置好，之前一直在看理论的神经网络知识。在小试牛刀之前呢，我们还得学习一些课程：其中要属李菲菲教授教的cs231n深度学习与视觉识别课程了，在这之前你需要了解什么是神经网络，以及它的结构组成，可以参考UFLDL课程，这里面详细的介绍了神经网络的结构。对于神经网络，其实这个在机器学习中就会接触到的，就是感知机，只不过之所以叫网络其实就是它组成的网络，还有重要经典的BP反馈神经网络，并学会它们的推导。这有利于你的理解，当然啦，在你学会了以上的课程，对CNN也有了一些理解了，此时就可以读一些经典的paper来了解常用的神经网络结构了，比如AlexNet，GoogleNet，LeNet，VGGNet等。在了解了常见的网络模型后，就可以配置跑自己的数据集啦。
总结
写的很粗糙，算是对自己学习路线的一个总结，同时对以后要做的事情作一个规划吧，那就是接下来花更多的时间来学习神经网络的知识，同时提升自己Python的编程能力，研二即将到来，要学的还有很多，向这一行业的大牛们虚心学习，望自己能早日入门。
仅以此文记自己研一的生活。