人类是怎么识别的？当我们看到一个东西，大脑会迅速判断是不是见过这个东西或者类似的东西。这个过程有点儿像搜索，我们把看到的东西和记忆中相同或相类的东西进行匹配，从而识别它。机器的图像识别也是类似的，通过分类并提取重要特征而排除多余的信息来识别图像。这就是最大的原理，看起来一点儿都不复杂对不对？
期初人工智能的先驱们也觉得这挺简单，然鹅……
那是1966年的夏天，人工智能之父Minsky给学生布置了一个暑假作业：要求学生通过编写一个程序，让计算机告诉我们它通过摄像头看到了什么。于是一大票人从此走上了图像识别的不归路。
毕竟，50多年过去了，这个作业还不能说真正做完。。
1970s-1980s
到了上世纪七八十年代，Minsky布置的作业算是有了些眉目。现代电子计算机的出现，让计算机有机会尝试回答出它看到了什么东西。
研究人员首先从人类看东西的方法中获得借鉴。当时人们普遍认为，人类能看到并理解事物是因为通过两只眼睛可以立体地观察事物（现在看来当然是极大的误解……）。因此要想让计算机理解它所看到的图像，必须先将事物的三维结构从二维的图像中恢复出来，这就是所谓的“三维重构”的方法。

名称：图1
描述：1

另一个灵感是，人们认为人之所以能识别出一个苹果，是因为人们已经有了先验知识：苹果是红色的、圆的、表面光滑的。如果给机器也建立一个这样的知识库，让机器将看到的图像与之匹配，是否可以让机器识别乃至理解它所看到的东西呢，这是所谓的“先验知识库”的方法。
这套方法只能够提取少数基本特征，实用性当然不高，只能用在某些光学字符识别、工件识别、显微/航空图片的识别等。
1990s
到了上世纪九十年代，图像处理硬件技术有了飞速进步，人们也开始尝试不同的算法，包括统计方法和局部特征描述符的引入，使得计算机视觉技术取得了更大的发展，并开始广泛应用于工业领域。
在“先验知识库”的方法中，事物的形状、颜色、表面纹理等特征受到视角和观察环境所影响，在不同角度、不同光线、不同遮挡的情况下会产生变化。因此，研究者的新方法是，通过局部特征的识别来判断事物，对事物建立一个局部特征索引，即使视角或观察环境发生变化，也能比较准确地匹配上。
2000s
进入21世纪，得益于互联网兴起和数码相机出现带来的海量数据，加之机器学习方法的广泛应用，计算机视觉发展迅速。以往许多基于规则的处理方式，都被机器学习所替代：机器自动从海量数据中总结归纳物体的特征，然后进行识别和判断。
这一阶段涌现出了非常多的应用，包括典型的相机人脸检测、安防人脸识别、车牌识别等等。数据的积累还诞生了许多评测数据集，比如权威的人脸识别和人脸比对识别的平台——FDDB和LFW等，其中最有影响力的是ImageNet，包含1400万张已标注的图片，划分在上万个类别里。

2010以后
到了2010年以后，借助于深度学习的力量，计算机视觉技术得到了爆发增长和产业化。出现了神经网络图像识别，这就是目前比较新的一种图像识别技术了。
它是怎么工作的，我在《财富》杂志上见过一张简明的示意图，把它汉化过来给大家看，算是一目了然了：

名称：图1
描述：2

通过深度神经网络，各类视觉识别的任务精度都得到了大幅提升。在全球最权威的计算机视觉竞赛ILSVR上，千类物体识别错误率在2011年时还高达25.8%，从2012年引入深度学习之后，后续4年的错误率分别达到了16.4%、11.7%、6.7%、3.7%，出现了显著突破。现在，人脸识别甚至能做到误判率低于百万分之一。
归根结底，机器的图像识别和人类的图像识别原理相近，过程也大同小异。只是技术的进步让机器不但能像人类一样认花认草认物认人，还开始拥有超越人类的识别能力。
比如，我非常期待技术大牛能赶紧开发出口红色号识别软件！！！
女：看看我和昨天有什么不同？
我：嗯……好……好像没什么不同……
女：我换了一支口红呀！你是眼睛瞎了吗？！！
我：哦
女友的口红啊，请放过我的肉眼…………

名称：图1
描述：3