目標檢測與識別：
目標是從圖像或視頻中識別出特定的目標，如人臉、車輛、動物等。
常用的方法包括Haar特征級聯、卷積神經網絡(CNN)、區域卷積神經網絡(R-CNN)以及Faster R-CNN、YOLO、SSD等模型。
特征提?。?br /> 特征提取是計算機視覺中的核心技術，旨在從圖像或視頻中提取出具有代表性的特征。
常見方法包括SIFT、SURF、HOG及LBP，這些方法可以將圖像特征轉化為向量化或矩陣形式，便于后續處理。
圖像分割：
圖像分割是將圖像分成若干個具有獨立語義的區域的過程。
常用方法包括閾值分割、邊緣檢測、區域生長和基于圖論的分割方法等，旨在確保圖像的清晰性和完整性。
三維重建：
三維重建技術利用多幅圖像或視頻恢復出場景的三維結構。
常用方法包括立體視覺、結構光和激光掃描，在導航、機器人設計、3D打印等領域有廣泛應用。
運動估計：
運動估計是計算機視覺中的重要問題，旨在從圖像序列中估計出物體的運動狀態。
常用方法包括光流法、稠密光流法和結構光法等。
圖像分類：
圖像分類是根據各自在圖像信息中所反映的不同特征，把不同類別的目標區分開來的圖像處理方法。
常用方法包括基于色彩、紋理、形狀和空間關系的圖像分類技術，主要應用在場景分類、物體識別、圖像標注等方面。
此外，計算機視覺還涉及圖像預處理技術，如圖像平滑、邊緣檢測、增強等，以去除噪聲并幫助找到物體輪廓，便于后續的目標識別與跟蹤。同時，隨著深度學習技術的發展，神經網絡和深度學習模型在計算機視覺中也扮演著越來越重要的角色，尤其是在物體識別、場景理解、姿態估計和行為分析等方面。

總的來說，計算機視覺的關鍵技術涵蓋了從基礎圖像處理到高級場景理解的多個層面，這些技術的發展為計算機視覺在各個領域的應用提供了堅實基礎。