一般来说，计算机视觉领域的不同应用有不同的算法实现。我主要研究计算机视觉应用，主要是图像预处理、分类、目标检测等
1。图像分类。图像分类是根据图像的语义信息来区分不同类别的图像。它是计算机视觉中的重要基础问题，也是图像检测、图像分割、对象跟踪和行为分析等其他高级视觉任务的基础。机器学习算法包括SVM、Adaboost、决策树、贝叶斯分类器；经典的深度学习算法包括AlexNet、VGG、GoogleNet、ResNet等网络。
2。目标检测。目标检测是在复杂场景中检测我们需要的目标，采用传统的机器学习算法来实现。深度学习也用于目标检测。传统机器学习算法如使用Adaboost进行人脸检测、SVM算法进行行人检测等；在深度学习目标检测算法方面，有R-CNN、Fast R-CNN和基于区域建议的Faster R-CNN两个阶段。目标检测算法，还有Yolo、SSD等端到端的目标检测算法。
3。目标跟踪。目标跟踪是指在特定场景中跟踪一个或多个特定感兴趣物体的过程。之前做过目标跟踪实验，使用的是传统的图像处理算法，比如光流法、粒子滤波法、卡尔曼滤波法以及KCF相关滤波算法。深度学习算法包括DLT、FCNT、MD Net等网络。人们对深度学习目标跟踪算法的接触很少，而且对它们的理解也不够深入。
4。语义分割。语义分割是计算机视觉中的一项基本任务。在语义分割中，我们需要将视觉输入划分为不同的语义可解释类别。 “语义可解释性”是指分类类别在现实世界中是有意义的。将整个图像分成像素组，然后对它们进行标记和分类。传统的图像分割算法包括基于阈值的分割算法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法。如今深度学习算法更擅长语义分割，比如最常用的全身分割算法。卷积神经网络算法（FCN）。
应用很多，比如人脸检测和识别，包括Adaboost算法、MTCNN网络和FaceNet网络等；文本识别、智能驾驶、医学图像处理等，各自有不同的算法实现。
需要根据算法和平台选择计算机视觉编程语言。传统图像处理多采用opencv和matlab平台，分别使用C++语言和matlab语言；深度学习框架大多基于Python API实现，可以用Python语言实现，如Tensorflow、Caffe、keras、MxNet等平台。当然Caffe也可以用C++实现。
