计算机视觉基本研究方向
显著性
图像的重要视觉特征及其关键视觉特性不仅反映了人眼对图像某些区域的高度关注。
自1998年起以来的研究工作推动了大量基于显著性的映射方法的发展。其中图像显著性已被广泛应用于图像压缩、编码、边缘增强以及区域强化等多个领域，并在目标分割与提取方面取得了重要应用。
我们研究的方面包括以下：
基于图像显著性的评估框架：特别关注于其在目标提取过程中的具体体现。探讨如何准确评估现有显著性映射的质量。采用的方法涉及F-measure和segment entropy等指标。
- 构建新的显著性映射：基于此基础上，系统地进行深入分析研究已有的图像显著性方法，并在此基础上构建新的适合于显著性目标提取和检测的显著性映射。
分割
该方法被用来搜索物体并应用在聚类任务中。同时需包含视频分割。在此处应深入研究外围线。
图像分类
基于各自在图像信息中所体现的不同特征，在各个领域内实现不同类别目标的有效区分。该方法借助计算机实现对图像数据的定量分析，并通过将每个像元或区域分类归入预设的各类别之一的方式完成这一过程。从而替代人工视觉识别的过程。该技术即为图象分类技术
图像恢复
计算机辅助技术用于图像修复过程，在这一过程中由于成像系统中存在运动模糊、传感器误差以及光学畸变等因素的影响而导致的图像质量降低现象得到了充分体现。为了实现有效的图像复原，在建立退化模型的过程中必须考虑到影响图象质量的各种因素并采取相应的补偿措施。随后采用逆向工程方法重构原始图像信息，并通过预设标准评估修复效果。在遥感图象处理领域针对因失真和几何畸变等问题而产生的图象质量下降问题通常需要执行一系列图象修复操作其中包括辐射补偿大气补偿条带噪声滤除以及几何校正等环节以确保最终输出的图象能够真实反映目标物的实际特征
立体视觉
人的立体视觉形成过程如下：两只眼睛同时聚焦于同一物体时会形成两股平行视线，在视轴上相交于固定的一点即为注视焦点。来自该固定点的光线分别投射到两只视网膜上形成两个对应光斑。这两条信息路径将信号整合到大脑中的视觉中枢部分从而构建出一个完整的三维图像。不仅能够准确识别这一特征而且这一特征还能反映出周围物体之间的间距深度信息以及形状变化进而呈现出三维空间中的深度信息这即被称为立体视觉
对象识别（人脸识别）
通过人脸识别对对象的认识
一.人脸检测/跟踪
人脸检测/跟踪的主要目标是在图像/视频中识别出所有每个人脸的位置坐标及其尺寸；同时需要确保不同帧之间的人脸对齐关系。
二.人脸特征点定位
人脸识别中的 facial feature point detection 目标在于基于 face detection/face tracking 得到的脸部区域基础上进一步确定脸部各部位（如眼睑中心、嘴角中心等）的具体位置。
facial feature point detection 的主要方法是通过融合手段将局部器官纹理特性和关键部位间的几何关系进行综合分析。
三.人脸表示
人脸表示被定义为基于人脸特征点的位置实施几何校正，并对人脸区域进行提取和归一化处理（将图像尺寸标准化）后所获得的能够最大程度地区分不同个体的特征描述的一种方法或步骤。
观察物体的视点选择(做的很少)
通过对物体的不同部分的观测重点的不同，设计一个观察物体的视点
研究光的一些性质
光具有各种各样的性质，对图像的影响各不相同
视频问题
在处理连续的画面帧时识别出物体实例（这类场景较为常见），结合图像稳定性和追踪技术的应用，在当前状态下预测未来的行为模式。
跟踪
物体的跟踪从而创建不同的模型。
图形（图像）变换
这个地方图形变换中的相同物体的识别
前景和背景的分离