计算机视觉发展史
计算机技术发展史共15张
TCP/IP协议族包括传输控制协议（ TCP）和网络协议（IP）两个核心协 议，以及一系列辅助协议，如UDP、 ICMP、ARP等，构成了一个完整的 网络协议体系。
TCP/IP协议族的出现使得不同厂商生 产的计算机和网络设备能够相互通信 ，推动了计算机网络的普及和发展， 成为了当今互联网的基础协议。
从DOS到Windows、MacOS等图形化操 作系统的演变，提高了用户体验和易用性 。
硬件设备的进步
互联网与移动设备的兴起
硬盘、内存、显卡等硬件设备的不断升级 ，推动了个人电脑的性能提升和应用拓展 。
互联网的发展使得个人电脑成为信息获取和 交流的重要工具，而移动设备的兴起则改变 了人们的使用习惯和需求。
运算速度较慢
受限于当时的技术水平， 早期计算机的运算速度相 对较慢，无法满足大规模 数据处理的需求。
编程方式复杂
早期计算机的编程方式复 杂繁琐，需要专业的编程 人员使用机器语言或汇编 语言进行编程。
02
CATALOGUE
真空管与晶体管时代
真空管计算机的原理及应用
真空管计算机的原理
真空管计算机利用真空管作为开关元 件，通过控制真空管的导通与截止来 实现二进制数的运算和逻辑操作。
对象数据库
随着面向对象编程的流行，对象数据库开始兴起 ，它们能够直接存储和管理对象，支持对象的复 杂关系和继承等特性。
关系数据库
关系数据库的出现是数据库技术的一次重大飞跃 ，它采用二维表格的形式存储数据，支持复杂的 查询和数据处理操作。
分布式数据库和云数据库
随着计算机网络和云计算的发展，分布式数据库 和云数据库逐渐兴起，它们能够支持大规模数据 存储和处理、提供高可用性和可扩展性支持等。
以知识表示和推理为核心，通过符号逻辑来模拟人类思维。
自动识别技术的发展历史.
自动识别技术的发展历史.自动识别技术是指利用计算机视觉、图像处理、模式识别等相关技术，实现对物体、文字、声音等信息自动识别的技术。
随着科学技术的发展，自动识别技术经历了漫长的发展历程，取得了重要的进展和突破，为人们的生活和工作带来了诸多便利。
本文将从历史的角度，探讨自动识别技术的发展历程。
1. 二十世纪初至四十年代：电报、电话和雷达的发展早在二十世纪初，人类就开始利用电报技术进行信息传输，这可以看作是自动识别技术的雏形。
随着通信技术的不断发展，电话和雷达技术的出现，人们开始尝试利用声音和电波进行识别和跟踪，为今后自动识别技术的发展奠定了基础。
2. 五十年代至七十年代：光学字符识别（OCR）和条形码技术的兴起在这一时期，光学字符识别（OCR）和条形码技术成为了自动识别技术的重要代表。
光学字符识别技术可以将印刷或手写的文字转换为数字代码，实现文字信息的自动识别和处理，为图书馆、档案管理等领域提供了便利。
条形码技术的广泛应用也大大提高了商品和物流信息的自动识别和管理效率，为商业和物流行业带来了巨大的变革。
3. 八十年代至九十年代：计算机视觉和模式识别技术的快速发展随着计算机技术的飞速发展，计算机视觉和模式识别技术开始受到重视。
计算机视觉技术可以利用摄像头捕捉物体的图像，并通过图像处理和分析，实现对物体的识别和跟踪。
模式识别技术在语音识别、手写识别、人脸识别等方面取得了重要进展，为自动识别技术的广泛应用打下了基础。
4. 二十一世纪至今：深度学习和人工智能的崛起进入二十一世纪，深度学习和人工智能技术开始快速崛起，为自动识别技术的发展带来了全新的机遇和挑战。
深度学习技术可以通过训练神经网络，实现对复杂数据的自动分析和识别，为图像识别、语音识别、自然语言处理等领域带来了重大突破。
人工智能技术的不断进步也推动了自动驾驶、智能家居、智能机器人等领域的快速发展，将自动识别技术推向了一个新的高度。
总结来看，自动识别技术经历了从简单的传输识别到复杂的图像处理和深度学习的漫长发展历程。
计算机图形图像技术发展历史概述
计算机图形图像技术发展历史概述计算机图形图像技术是计算机科学和图形学领域的重要分支，它涵盖了计算机生成的图像、图形处理和图形显示等各个方面。
随着计算机技术的飞速发展，图形图像技术也经历了多个阶段的演进和变革。
本文将对计算机图形图像技术的发展历史做一个概述。
一、1950-1960年代：计算机图形学的起步阶段在计算机诞生的早期阶段，由于计算能力有限，计算机图形学的发展非常有限。
1950年代，人们开始尝试使用计算机生成一些简单的图形，如直线、圆等。
而在1960年代，随着计算机硬件、软件以及算法的不断改进，计算机图形学逐渐得到了更多的关注和发展。
二、1970-1980年代：基础算法的提出与优化在1970年代，Bresenham提出了著名的Bresenham算法，这个算法可以高效地画出一条给定斜率的直线，其被广泛应用于计算机图形学中。
同时，随着处理器速度的提高以及内存容量的增加，计算机图形学得以取得更大的突破。
在1980年代，人们开始研究曲线和曲面的绘制算法，并取得了一定的成果。
三、1990年代：三维图形学的兴起进入1990年代，随着计算机性能的进一步提升，三维图形学逐渐兴起并得到了广泛应用。
同时，图形处理单元（GPU）的问世也推动了三维图形学的发展。
人们能够生成更加逼真的三维模型，模拟现实世界中的光照、材质等效果，为电影、游戏等行业带来了巨大的进步。
四、2000年代：计算机动画技术的突破2000年代，计算机动画技术取得了重大突破。
随着硬件设备和软件工具的不断创新，计算机动画的制作变得更加容易和高效。
人们开始利用计算机生成更加生动、逼真的动画效果，并应用于电影、广告等领域。
此外，虚拟现实技术也在这一时期得到了快速发展，使用户能够沉浸在虚拟的三维环境中。
五、2010年代至今：计算机视觉和人工智能的融合进入2010年代，计算机视觉和人工智能的迅速发展为计算机图形图像技术带来了新的机遇和挑战。
通过人工智能算法的引入，计算机能够更加准确地识别和分析图像中的内容，并进行智能化的图像处理。
cv 模型发展史
cv 模型发展史
CV（计算机视觉）模型发展至今已经经历了几个重要的里程碑和发展阶段。
以下是CV模型的发展史（CV模型是指用来处理和分析图像和视频数据的计算机算法和模型）：
1. 传统图像处理阶段（20世纪70-80年代）：
在这个阶段，CV模型主要依赖于传统的图像处理技术。
常使用的算法包括边缘检测、图像分割和特征提取。
传统的图像处理算法集中在低级的像素级和几何级处理，忽视了语义级别的理解。
因此，这时的CV模型对于复杂的图像任务表现有限。
2. 统计模型和机器学习阶段（20世纪90年代-2000年代）：
随着机器学习和统计学的发展，CV模型开始使用统计和机器学习方法来解决图像识别和分类问题。
常用的模型包括SVM、决策树和随机森林等。
这些模型为CV模型提供了更强的泛化能力和灵活性，使其在一些基本的视觉任务上取得了较好的结果。
3. 深度学习阶段（2010年代至今）：
随着深度学习技术的兴起，CV模型进入了一个新的阶段。
通过使用深度神经网络，CV模型能够自动从原始图像数据中学习有关特征的表示，并能够在目标识别、物体检测和图像分割等任务中取得令人瞩目的结果。
卷积神经网络（CNN）是CV模型中最常用的深度学习架构之一。
总体而言，CV模型的发展经历了从传统图像处理到机器学习和统计模型再到深度学习的演进过程。
随着硬件的发展和数据集的扩大，CV模型在图像识别、物体检测和图像分割等领域的性能不断提升，为我们提供了更多有关图像和视频数据的深层次理解和分析能力。
视觉技术的发展历史
视觉技术的发展历史一、引言视觉技术是指通过人眼和视觉系统来感知、处理和解释图像和视频的能力。
随着科技的进步，视觉技术在过去几十年中取得了巨大的发展。
本文将从早期的发展开始，逐步介绍视觉技术的历史。
二、早期视觉技术早期的视觉技术主要依赖于人眼的观察和解释。
人们通过肉眼观察和分析图像，来获取信息和认识世界。
然而，这种方法存在一定的局限性，因为人眼的感知能力有限，并且受到主观因素的影响。
三、相机的出现19世纪，相机的发明为视觉技术的发展带来了重要的突破。
通过相机，人们可以将现实世界中的图像捕捉下来，并通过胶片或感光元件记录下来。
这样，人们可以通过观察照片来获取更准确和客观的信息。
四、电视的兴起20世纪，电视的发明进一步推动了视觉技术的发展。
电视技术利用电子器件将图像信号转换为电信号，并通过屏幕显示出来。
电视的出现不仅让人们可以观看远距离的事件，还为电影、广告和新闻等媒体提供了新的传播方式。
五、计算机图形学的发展20世纪60年代，计算机图形学的出现为视觉技术的发展带来了革命性的变化。
计算机图形学利用计算机来生成和处理图像，使得人们可以通过计算机程序来创造和编辑图像。
这一技术的出现不仅在电影和游戏等领域有着巨大的应用，还为后来的计算机视觉技术的发展奠定了基础。
六、计算机视觉的崛起20世纪80年代以后，计算机视觉技术开始迅速发展。
计算机视觉利用计算机和相机等设备来模拟人类视觉系统，实现图像的感知、分析和理解。
这一技术的应用非常广泛，包括人脸识别、图像检索、自动驾驶等领域。
七、深度学习的应用近年来，深度学习技术的兴起为计算机视觉带来了新的突破。
深度学习利用神经网络来模拟人脑的学习和识别能力，可以自动学习和提取图像特征。
这一技术的应用使得计算机视觉技术在图像分类、目标检测、图像生成等方面取得了显著的进展。
八、虚拟现实和增强现实技术虚拟现实和增强现实技术是近年来视觉技术的又一重要发展方向。
虚拟现实技术通过头戴式显示器等设备，将用户完全沉浸于虚拟的环境中。
计算机视觉发展史
计算机视觉在人工智能领域的发展
智能视频监控
计算机视觉技术可以应用于智能视频监控领域，实现人脸识别、行为分析等功能，提高安全监控的效 率和准确性。
智能机器人
计算机视觉技术可以帮助智能机器人实现自主导航、物体识别等功能，提高机器人的智能化程度。
计算机视觉在物联网中的应用
要点一
智能家居
要点二
智能安防
计算机视觉技术可以应用于智能家居领域，实现智能识 别、智能控制等功能，提高家居的智能化和便捷性。
利用计算机视觉技术识别文字，包括印刷体和手写体。早期 的文字识别方法主要基于特征提取和模板匹配，如SIFT、 HOG等。
物体识别
识别图像中的物体，包括静态物体和动态物体。早期的物体 识别方法主要基于特征提取和分类器训练，如支持向量机 (SVM)、神经网络等。
机器人导航
环境感知
利用计算机视觉技术感知环境，包括地形、障碍物、交通标志等。早期的环境感 知方法主要基于特征提取和匹配，如SURF、ORB等。
算法优化问题
计算效率
模型泛化能力
模型可解释性
计算机视觉算法通常需要进行大量的 计算，导致模型训练和推理时间较长 。为了提高计算效率，研究人员开发 了各种优化算法和技术，如GPU加速 、并行计算、模型剪枝等，以加快模 型的训练和推理速度。
在计算机视觉中，模型的泛化能力是 指其在未见过的数据上表现出的性能 。为了提高模型的泛化能力，研究人 员开发了各种正则化技术，如 Dropout、Batch Normalization等 ，以增加模型的鲁棒性和泛化能力。
在训练计算机视觉模型时，需要大量 标注过的数据来监督模型的训练过程 。然而，标注数据是一项耗时且昂贵 的工作，因此研究人员开发了半监督 学习、无监督学习等技术，以减少对 标注数据的依赖。
2024版计算机发展史
将加密后的数据还原成原始形式，以便 授权用户可以读取和使用数据。
隐私保护政策法规解读
政策法规
包括《个人信息保护法》、《网络安全法》等，旨在保护个人隐私和信息安全。
解读
政策法规要求企业收集、使用、处理个人信息时必须遵循合法、正当、必要原 则，并采取相应的安全措施保护个人信息不被泄露、滥用。
企业级数据安全治理方案
04
硬件设备与存储介质变革
输入输出设备种类及功能拓展
键盘、鼠标的普及与多样 化
随着计算机技术的发展，键盘、 鼠标等输入设备逐渐成为标配， 并出现了无线、触控等多种类 型。
显示器技术进步
显示器分辨率、色彩表现、刷 新率等性能不断提升，同时出 现了曲面、触控、OLED等新型 显示技术。
打印机、扫描仪的广泛应 用
除了上述几种新型存储介质外，还有铁电存 储器（FeRAM）、碳纳米管存储器等新型存 储介质正在研究中。
硬件设备虚拟化技术应用
服务器虚拟化
通过虚拟化技术将一台物理服务器划分为多个虚拟服务器，提高了服 务器的利用率和管理效率。
存储虚拟化
将多个存储设备整合成一个逻辑存储池，实现了存储资源的共享和动 态分配，提高了存储利用率和数据可靠性。
要点二
机器学习
机器学习是一种让计算机从数据中学习 并改进的技术。通过机器学习，计算机 可以自动识别模式、做出决策并改进自 身的性能。目前，机器学习技术已经广 泛应用于图像识别、语音识别、推荐系 统等领域。
要点三
深度学习
深度学习是机器学习的一个分支，它使 用深度神经网络来模拟人脑的学习过程。 深度学习技术已经在计算机视觉、自然 语言处理、语音识别等领域取得了突破 性进展。
革命。 物联网与边缘计算 物联网让万物互联成为可能，边缘计 算则提高了数据处理的效率和响应速
人脸识别发展史——
人脸识别发展史——
人脸识别技术是一项具有里程碑意义的计算机视觉技术，在不同应用领域发挥着重要的作用，发展至今已有相当长的历史，它的发展史可以分为以下几个时期：
第一个时期，从1970年到1980年，是人脸识别技术的发展的初期，在这一时期，计算机视觉技术正式被引入，人脸识别技术也随之而来，比较完善的人脸识别系统诞生。
主要技术包括粗略的比较、局部特征提取、人脸融合技术以及模板匹配技术等。
第二个时期，从1980年至1990年，是人脸识别技术的成熟时期，在这一时期，随着计算机视觉技术的迅速发展，相关算法技术也逐渐完善，各种机制相继出现，人脸识别系统也取得了较大的进展。
主要技术包括三维人脸模型技术、神经网络技术以及自适应技术等。
第三个时期，从1990年到2000年，是识别技术由查找转为验证的时期，在这一时期，由于计算机性能的飞速发展，大量新理念和新技术的出现，人脸识别系统可以实现基于特征的验证，大大提高了识别的准确率和效率。
主要技术包括展开验证技术、识别准确率技术、人脸检测技术和自动优化技术等。
第四个时期，从2000年至今，是人脸识别技术全面发展的时期，在这一时期。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019年11月21日星期四
22
具有立体视觉的机器人
2019年11月21日星期四
23
人头部跟踪演示
2019年11月21日星期四
24Biblioteka MIT Media Lab ，与虚拟生物交互演示
2019年11月21日星期四
25
基于恢复图象序列的五角大楼三维重建
2019年11月21日星期四
26
基于图象序列的三维人脸恢复
分层次组成若干三维模型，每 个三维模型都是在几个轴线空 间的基础上构成的，所有体积 基元或面积形状基元都附着在 轴线上．
2019年11月21日星期四
10
3.3 Marr 视觉理论的不足
Marr理论是计算机视觉研究领域的划时代成就，但该 理论不是十分完善的，许多方面还有争议．比如:
视觉处理框架基本上是自下而上，没有反馈;
在以观测者为中心的坐标系中 ，表示可见表面的方向、深度 值和不连续的轮廓
在以物体为中心的坐标系中， 用由体积基元和面积基元构成 的模块化多层次表示，描述形 状及其空间组织形式．
图像中每一点的强度值
零交叉，斑点，端点和不连续 点，边缘片断，有效线段，组 合群，曲线组织，边界
局部表面朝向(“针”基元) 离观测者的距离 深度上的不连续点 表面朝向的不连续点
2019年11月21日星期四
27
视觉系统坐标系
像素坐标：表示图像阵列中图像像素的位置； 图像平面坐标：表示场景点在图像平面上的投
影； 摄象机坐标：即以观察者为中心的坐标，将场
景点表示成以观察者为中心的数据形式． 场景坐标：也称作绝对坐标(或世界坐标)，用于
表示场景点的绝对坐标；
2019年11月21日星期四
Int. Conf. on Computer Vision and Pattern Recognition (CVPR); Int. Conf. on Computer Vision(ICCV); Int. Conf. on Pattern Recognition(ICPR); Int. Conf. on Robotics and Automation(ICRA); Workshop on Computer Vision, SPIE．
2019年11月21日星期四
6
3. Marr的视觉计算理论
Marr 的视觉计算理论[Marr1982]立足于计算机科学，系统地 概括了心理生理学、神经生理学等方面取得的所有重要成果， 是视觉研究中迄今为止最为完善的视觉理论． Marr 建立的 视觉计算理论，使计算机视觉研究有了一个比较明确的体系， 并大大推动了计算机视觉研究的发展．人们普遍认为，计算 机视觉这门学科的形成与Marr的视觉理论有着密切的关系．
2019年11月21日星期四
3
MIT AI 实验室吸引了国际上许多知名学者 参与计算机视觉的理论、算法、系统设计的 研究，David Marr教授就是其中的一位．他 于1973年应邀在MIT AI 实验室领导一个以博 士生为主体的研究小组，1977年提出了不同 于“积木世界”分析方法的计算视觉理论 (computational vision)，该理论在80年代成为 计算机视觉研究领域中的一个十分重要的理 论框架．
没有足够地重视知识的应用．
Marr理论给了我们研究计算机视觉许多珍贵的哲学思 想和研究方法，同时也给计算机视觉研究领域创造了 许多研究起点。
2019年11月21日星期四
11
照明 成像装置
计算机视觉应用系统 计算机视觉
场景
图象
2019年11月21日星期四
应用反馈
描述
12
4. 计算机视觉的应用
• 零件识别与定位 （工业生产线） • 产品检验 （纺织工业棉花质量检验） • 移动机器人导航（星球机器人） • 遥感图像分析（植被分析） • 医学图像分析（骨骼定位） • 安全鉴别、监视与跟踪（门禁系统） • 国防系统（目标自动识别ATR与目标跟踪） • 其它（动画、体育、考古）
28
5. 计算机视觉的研究内容
一、输入设备(input device) 包括成像设备和数
字化设备．成象设备是指通过光学摄像机或红外、激光、 超声、X射线对周围场景或物体进行探测成象，得到关 于场景或物体的二维或三维数字化图像．
二、低层视觉(low level) 主要是对输入的原始
图像进行处理．这一过程借用了大量的图像处理技术 和算法，如图像滤波、图像增强、边缘检测等，以便 从图像中抽取诸如角点、边缘、线条、边界以及色彩 等关于场景的基本特征；这一过程还包含了各种图像 变换（如校正）、图像纹理检测、图像运动检测等．
2019年11月21日星期四
4
研究热潮是从 20世纪80年代开始的，到了80 年代中期，计算机视觉获得了蓬勃发展，新 概念、新方法、新理论不断涌现，比如，基 于感知特征群的物体识别理论框架，主动视 觉理论框架，视觉集成理论框架等．
Marr的计算理论
2019年11月21日星期四
5
许多会议论文集都反应了该领域的最新进展，比如：
（2）环境因素影响：场景中的诸多因素，包括照明、物体 形状、表面颜色、摄像机以及空间关系变化都会对成像有 影响，
（3）知识导引： 同样的图像在不同的知识导引下，将会 产生不同的识别结果．．
（4）大量数据： 灰度图像，彩色图像，深度图像的信息 量十分巨大，巨大的数据量需要很大的存贮空间，同时不 易实现快速处理．
课程教材
参考教材： 贾云得 《机器视觉》科学出版社，2000 参考书目： 1、《图像处理、分析与机器视觉》（第二版）
M.Sonka,V.Hlavac,R.Boyle著，艾海舟等译， 人民邮电出版社，2003 2、《机器视觉教程》W.E.Snyder,H.Qi著 林学訚等译，机械工业出版社，2005 3、《计算机视觉》马颂德著，科学出版社，1999
第一阶段(也称为早期阶段)是将输入的原始图像进行处理， 抽取图像中诸如角点、边缘、纹理、线条、边界等基本特 征，这些特征的集合称为基元图(primitive sketch)；
第二阶段(中期阶段)是指在以观测者为中心的坐标系中， 由输入图像和基元图恢复场景可见部分的深度、法线方向、 轮廓等，这些信息的包含了深度信息，但不是真正的物体 三维表示，因此，称为二维半图(2．5 dimensional sketch)；
（3）模式识别：用于识别各种符号、图画等平面图形．模式
一般指一类事物区别于其它事物所具有的共同特征。模式识 别方法有统计方法和句法方法两种，统计方法是指从模式抽 取一组特征值，并以划分特征空间的方法来识别每一个模式
2019年11月21日星期四
32
（4）人工智能（AI）：涉及到智能系统的设计和智能计算的 研究．在经过图像处理和图像特征提取过程后，接下来要用 人工智能方法对场景特征进行表示，并分析和理解场景．人 工智能有三个过程：感知、认知和行动．． （5）人工神经网络（ANNs）：是一种信息处理系统，它是 由大量简单的处理单元（称为神经元）通过具有强度的连接 相互联系起来，实现并行分布式处理（PDP）．人工神经网 络的最大特点是可以通过改变连接强度来调整系统，使之适 应复杂的环境，实现类似人的学习、归纳和分类等功能． （6）神经物理学与认知科学：将人类视觉作为主要的研究对 象．计算机视觉中已有的许多方法与人类视觉极为相似．许 多计算机视觉研究者对研究人类视觉计算模型比研究计算机 视觉系统更感兴趣，希望计算机视觉更加自然化，更加接近 生物视觉
2019年11月21日星期四
31
7. 计算机视觉与其它学科领域的关系
（1）图像处理：图像处理通常是把一幅图像变换成另外一幅 图像，也就是说，图像处理系统的输入是图像，输出仍然是 图像，信息恢复任务则留给人来完成
（2）计算机图形学：通过几何基元，如线、圆和自由曲面， 来生成图像，它在可视化（Visualization）和虚拟现实(Virtual Reality）中起着很重要的作用．计算机视觉正好是解决相反的 问题，即从图像中估计几何基元和其它特征．因此，计算机 图形学属于图像综合，计算机视觉属于图像分析．
2019年11月21日星期四
2
2. 计算机视觉发展
• 20世纪50年代归入模式识别----主要集中在二维图像分析和识 别上，如，光学字符识别，工件表面、显微图片和航空图片的 分析和解释等． •60年代MIT 的Roberts通过计算机程序从数字图像中提取出诸如 立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状 及物体的空间关系进行描述．Roberts 的研究工作开创了以理解 三维场景为目的的三维计算机视觉的研究．Roberts对积木世界 的创造性研究给人们以极大的启发，许多人相信，一旦由白色 积木玩具组成的三维世界可以被理解，则可以推广到理解更复 杂的三维场景． •70年代，已经出现了一些视觉应用系统．70年代中期，麻省理 工学院(MIT)人工智能(AI)实验室正式开设“计算机视觉” ( Machine Vision) 课程，由B．K．P．Horn教授讲授．
四、高层视觉（high level） 主要任务是在以物体
为中心的坐标系中，在原始输入图像、图像基本特征、 2．5维图的基础上，恢复物体的完整三维图，建立物体三 维描述，识别三维物体并确定物体的位置和方向．
2019年11月21日星期四
30
6. 计算机视觉研究面临的困难
（1） 图像多义性： 三维场景被投影为二维图像，深度和 不可见部分的信息被丢失，因而会出现不同形状的三维物 体投影在图像平面上产生相同图像的问题．另外，在不同 角度获取同一物体的图像会有很大的差异．
还有许多学术期刊也包含了这一领域的最新研究成果, 如：
IEEE Trans. on Pattern Analysis and Machine Intelligence(PAMI); Computer Vision, Graphics, and Image Processing(CVGIP); IEEE Trans. on Image Processing; IEEE Trans. on Systems, Man, and Cybernetics(SMC); Machine Vision and Applications; Int. J on Computer Vision(IJCV); Image and Vision Computing; Pattern Recognition．