DeepSeek創始人碩士學位論文賞析 [精讀]

DeepSeek發佈差不多也有半個月了，在全球AI圈掀起DS熱，DS的創始人大佬梁文鋒也瞬間成為全球熱點人物，梁文鋒是廣東湛江人，本碩都是在浙大的電子信息與通信工程專業就讀，最近小黑盒又有一堆作者開始寫DS，今天這篇文章主要和大家一起賞析梁文鋒大佬的碩士畢業論文。

梁文鋒大佬的碩士畢業論文題目為《基於低成本PTZ攝像機的目標跟蹤算法研究》，論文有84頁，並不算難讀，核心算法在今天來看也是非常基礎的（但在當時屬於絕對的前沿領域，選擇精讀這篇文章的理由也很簡單，因為這是梁文鋒眾多論文中最容易讀懂的一篇，如果大家喜歡這類文章的話，還可以繼續做精讀DS的論文系列）。

論文的關鍵詞有“低成本”、“PTZ攝像機”和“目標跟蹤算法”，其中最容易理解的就是“低成本”，這個思路與DeepSeek的發展方向高度契合，也是DS的核心優勢之一。梁文鋒大佬這篇論文是2010年的5月14日發表的，到今天已經有差不多15年的時間，深度學習元年是2018年，當時並沒有阿爾法狗擊敗李世石、柯潔這樣的破圈事件，10年左右仍然是傳統的統計學習方法和機器學習的天下，梁文鋒10年這篇畢業論文核心算法是目標跟蹤算法，屬於計算機視覺CV的子領域，也就是後來的目標檢測領域（Object Detection）。

論文的核心任務

梁文鋒當時希望設計一種低成本的智能目標跟蹤系統，可以讓PTZ攝像機在複雜環境下也能有效工作，首先第一個目標是運動檢測，即通過長時間圖像序列中相同位置像素顏色的方差變化，對目標物體進行運動檢測，這裡涉及到的內容比較多，我們一個個來解釋。

目標檢測是CV領域很大的一個方向，主要任務是找到圖像中的目標物體，確定這些物體的類別和位置，但是現實生活中的圖像往往會有很多幹擾，各類物體也有不用的外觀、形狀和姿態，再加上圖像光照和遮擋因素，給定一段視頻裡面的目標物體還會運動，這些都給任務造成很大的難度。

目標檢測也是CV領域最重要最實用的方向，比如每年安裝了很多的監控攝像機，產生了大量的視頻數據，傳統的人工監控方式效率低下，無法及時處理和響應所有數據，這時就需要智能跟蹤技術來輔助處理圖像問題。梁文鋒論文對10年的技術進行分析，當時的智能跟蹤技術主要分為兩類：

監控網絡結構圖

第一類是模式識別，通俗來說就是先射箭再畫靶，往往針對那些有特定形式的數據（目標物體），比如車輛監控攝像頭需要進行車牌識別和車輛檢測，這些目標往往具有固定的形狀和模式，但是侷限性很大，如果碰到目標形狀比較多樣的任務時，模式識別就很難用（注意我這裡只介紹了圖像的模式識別，實際上自然語言處理、生物信息學這些領域也有大量的模式識別應用）。

第二類是運動檢測，即對視頻圖像裡所有運動的物體，都列為可疑的檢測目標，算法對圖像所有的運動物體進行識別跟蹤，運動檢測適用更廣泛的目標檢測任務，與目標形狀無關，僅僅只和目標是否運動有關，這種方法更加貼近實際監控需求，接下來梁文鋒繼續討論不同的運動檢測算法，也是梁文鋒論文的核心算法。

運動檢測算法

既然要用運動（目標）檢測，首先得看看10年代大家都在用什麼算法，這裡我給大家梳理了四類方法：

第一類是減背景法，對圖像建立背景模型，將當前圖像與背景圖像進行比較，用遊戲打比方，你在一個箱庭式2D關卡打怪，這時需要把你控制的角色、敵人NPC檢測出來，梁文鋒介紹的第一種方法是將箱庭背景的固定建築建一個模型，然後將每個圖像和這個背景模型對比，箱庭中運動的目標物體自然被檢測出來了。但是這種方法也有侷限性，因為箱庭式關卡我們默認是以靜態攝像機的視角去看2D地圖，如果是3D第一視角的動態攝像機，以10年代的顯卡算力，即使你把模型做出來，也不可能實時對環境進行劍魔。

第二類是光流法與幀差法，即分析圖像中像素的色彩梯度變化，捕捉細微的運動變化來檢測運動，侷限是受到噪聲、光源變化、陰影和遮擋的影響極大；幀差法實操與光流法類似，光流比較的是像素色彩梯度變化，幀差就是比較兩幀圖像的差值，若差值超過某個閥值，則認為有運動，這個思路倒是非常不錯，但是如果運動物體出現重疊，這個算法就幾乎失效了，靈敏度很低。

第三類是累積差分圖法，統計一段時間內像素顏色的變動累積和，這種方法比幀差法靈敏度高多了，但是一旦噪聲增大，性能就會急劇下降，噪聲干擾可能掩蓋真實運動；第四種方法是特徵點法，放棄像素級別的匹配，轉而使用角點等特徵信息進行匹配，通過比較當前圖像與背景圖像的特徵點來檢測運動，這種方法降低了對機械精度的要求，適合動態環境，但是處理步驟太多，信息loss太大，仍然有缺點。

PTZ攝像機

算法不夠，硬件來解，BP算法1988年就有了，最早的卷積神經網絡LeNet5也是98年就有了，但是大家公認深度學習進入發展快車道還是12年的AlexNet，黃皮衣的CUDA從此成為英偉達的護城河，但是梁文鋒寫碩士論文的這一年，李飛飛還沒有做ImageNet大賽，後面的故事也無從談起，接下來我們看論文的另一個關鍵詞“PTZ攝像機”，介紹完了算法，從拍攝圖像的攝像機上也能做文章。

上面的減背景法我詳細給大家介紹了原理，提取背景算法需要攝像機在每個角度靜止較長時間，但是真實場景中攝像機會運動，所以背景提取極為困難，一些研究者嘗試使用角點信息替代像素進行背景建模，但這些方法在精度和穩定性上無法與靜態攝像機的高斯建模相媲美，而傳統的攝像機機械精度較差，鏡頭難以標定，同時還有控制延時，這些問題在低成本攝像機中表現得尤為明顯。

相比於傳統相機，PTZ攝像機在水平和垂直方向上進行旋轉和傾斜，同時具備變焦功能，提供更廣的視野和更多的細節，可以平替多個靜態攝像機的功能，從而降低成本，在PTZ攝像機的基礎上，梁文鋒提出了一種新穎的運動檢測算法，即採用類似累積差分圖法的多幀運算方式，計算像素顏色方差來判斷運動，同時因為方差計算的運算量大，不利於實時的實現，所以梁文鋒又提出了一種等價的快速算法，把方差計算的中間結果保留，以供後續的計算使用，接下來繼續看算法的具體實現。

具體實現

梁文鋒的系統軟件主要由五個模塊組成：視頻預處理、運動檢測、方差模型、運動預測和目標識別、運動控制。視頻預處理模塊負責獲取攝像機的圖像數據，並進行初步的圖像處理，將數據存儲為合適的數據結構，隨後傳遞給運動檢測模塊，運動檢測模塊專注於檢測像素的顏色變化，空間方差模型建立一個環形的歷史方差信息數據庫，通過查詢這個數據庫來判斷當前某個區域是否發生運動，運動預測和目標識別模塊負責決定哪個是需要跟蹤的目標，並預測其下一時刻可能出現的位置。這些模塊構成一個閉環系統，從攝像機獲取視頻數據，經過計算機處理生成控制信號，進而控制攝像機進行運動。

上面五個模塊組成了系統完整的數據流程圖，在這個流程中‚ 除了空間方差模塊和運動檢測模塊存在雙向的數據流之外，其餘所有模塊之間的數據流都是單向的，梁文鋒提出了一種新的運動檢測指標序列方差，來作為衡量運動變化的有效指標，工程實現上，運動檢測方差算法主要由三個部分組成：隊列緩衝、快速算法和靈敏度控制。

第一部分隊列緩衝。運動檢測模塊接收經過濾波和縮放的數據，將上次雲臺穩定以來的所有視頻數據全部緩存，如果沒有運動或運動變化微小時，圖像數據會填滿整個隊列，最老的數據會自動從隊列末尾丟棄。第二部分採用滑動窗口算法，利用歷史數據進行運動檢測，輸出結果一一對應純算術數據。第三部分靈敏度控制主要是優化系統對微小運動的檢測能力，確保即使在低對比度或複雜背景中，系統也能準確識別運動目標。

介紹完視頻預處理、運動檢測和方差模型，之後則是實現運動預測和目標識別，梁文鋒在論文中提出歷史軌跡模型來分析目標的運動軌跡，首先通過每一幀的圖像處理算法識別運動目標，一旦目標被識別，系統便開始記錄其運動軌跡，然後再基於軌跡對目標未來的位置進行預測，與此同時，系統會對新幀圖像每個目標進行判斷，將新圖像與預測位置進行對比，來識別前後兩幀圖像是否為同一目標，這裡最難的其實是相同目標識別方法，由於有時候攝像機運動過程中可能出現數據缺失，再加上信號處理延遲，會影響對運動的預測和對相同目標識別的速度和準確度。

梁文鋒介紹有三種主流方法，第一種進行位置匹配，第二種通過目標的長寬比和麵積進行識別，類似於模式識別，第三種是顏色直方圖匹配，由於圖像質量及背景干擾，效果較差，梁文鋒實驗做到一半放棄了這種方法，但是論文中梁文鋒還是詳細介紹了這種方案的優缺點，至此一套完整的復現流程已經呈現出來。

後話

從梁文鋒大佬的碩士論文，到如今梁文鋒放在Arxiv上DeepSeek-R1的論文，技術的發展脈絡非常清晰，12年深度學習的快速發展徹底改變了目標追蹤的格局，卷積神經網絡（CNN）開始廣泛應用於目標檢測和識別領域，YOLO、Faster R-CNN等經典模型湧現出來，徹底改變了CV領域。

而梁文鋒畢業後其實並沒有繼續做CV，而是轉用AI做量化，幻方成為國內量化的領頭羊，幻方投入大模型領域的轉機，應該是2020年的GPT-3以及之後ChatGPT開啟的大模型時代。2021年，幻方量化資產管理規模突破千億，做量化也儲備了很多的GPU，梁文鋒在23年做出了進軍大模型的決定，創立DeepSeek公司。

在創立DeepSeek公司時，梁文鋒將他在計算機視覺領域的積累與量化投資的經驗結合起來，也恰恰是這種跨領域的思維，使得DeepSeek能夠快速崛起，梁文鋒招人基本上就是按照自己浙大頂尖畢業生的模板來招，團隊貴精不貴多，不到140人的研發團隊，平均年齡35歲，管理結構扁平，鼓勵提倡創新不怕試錯，從而造就了DeepSeek的奇蹟。

往期相關：

深度學習入門——圖靈獎AI三巨頭

AI編年史——深度學習的發展史（收藏向）

AI編年史2——GPT是如何誕生的？

AI學術巨佬——何愷明，從遊戲中獲得論文靈感

AI領軍人物——孫劍，重劍無鋒的經典之作

AI傳奇巨佬——湯曉鷗，中國人工智能領袖人物！

張益唐——黎曼猜想，華人數學家再創重大突破！

李飛飛——從成都七中，到頂級AI科學家！

B站大學——線代不掛科，MIT傳奇教授的最後一課！

華為——盤古大模型解讀，專注“小模型”工業落地！

英偉達——跟著老黃學AI，英偉達官方免費推出AI課！

微軟免費AI課程——18節課，初學者入門大模型！

機器學習——科學家周志華，成為中國首位AI頂會掌門人！

機器學習入門——數學基礎（積分篇）

機器學習入門——數學基礎（代數篇）

機器學習入門——數學基礎（貝葉斯篇）