国创，一个很值得参加却也很辛苦的竞赛，由于至少持续一年时间的缘故，很多人都无法坚持到最后。但对于我们这个项目团队来讲，除了刚开始时的人员变更，各位同学都努力了，也尽力了。

成长需要过程，而这一段艰苦奋斗的岁月却让这个过程更加升华了。

遥想参加之前的傲气，以为专业课学的不错就能做很多东西的时候，现在的我笑而不语。正是因为把问题看得过于简单，因此在拟定项目计划时，犯了一些错误，不过庆幸的是在项目的过程中不断的修复与调整，最终解决了这些错误所带来的连锁反应。

图像篇

曾记得那时候的我以为图像处理很简单，以为依靠着现成的算法就能解决这一系列的问题。但是事实并非如此，在图像领域里面没有绝对适用的算法，不管算法再华丽，不管算法有再多的数学做支撑，唯一的检测标准就是精度，如果精度不高，那么那些华丽与支撑都只是浮云。很多图像算法其实是很复杂的，实现它们已经很难了，但是假如实现之后的效果不太理想的话，那么这些过程都只是一个徒劳。因此，在这个期间需要有很好的选择意识和预判意识。但如果哪一天，你突发灵感，设计出了一个精度很高，但看起来很简单的算法，那么这个算法其实是非常优秀的。因为图像处理与识别讲究的是简单快速精确，而并非华丽，并非引用了诸如HOUGH、傅里叶、小波、SVM等等概念，也并非就真的有很强的数学理论作支撑。因为就我个人观点而言，实用与简洁才是王道。

就目前的图像处理领域而言，已经有很多非常优秀的算法了。诸如98年IEEE的一个会议上，著名的ADABOOST诞生了。它继承了BOOST家族最优秀的思想，也流淌了HAAR-LIKE最纯正的高贵血液，它是直到现在依旧主流的人脸识别算法。经典的流传其实是靠着前期一个简单的想法，在往后的岁月中不断修复完善这个简单的想法。只不过，当它成熟和成型之后往往会被我们所神话了，认为那是一个遥不可及的高度。但事实上，所有的经典都有一个很简单的雏形。

同样，图像领域中永远不要觉得处理什么很简单，完成什么很简单。记得在项目前期，我一直认为找瞳孔中心是很简单的事情，但是后来却给自己上了很深刻的一课。尽管现在有很多主流的算法合成，例如ADABOOST+SVM，或者ADABOOST+HOUGH椭圆拟合。但是在尝试了很多次后，精度与速度依然无法让自己满意。可能的原因主要还是因为那些学者所面向的不是我要面向的领域，因此他们对于精度与速度的要求并不是相当高，所以在允许的误差范围内使用了这样的算法组合。

关于这个领域，其实我还是想发表一下我的最后一个观点：面向特定领域的算法，不仅仅需要经典算法的支撑，同样也需要永远保持一颗创新的心灵，不被现有算法所束缚。当你自己提出的算法实现后，你将得到一种前所未有的快感。同样，在撰写论文的时候，不必过于担心算法太简单了别人看不起，其实算法逆推到数学公式时，你会发现很多数学理论已经被你使用了。保持这样的心态，说不定某一天你也会有属于自己的经典算法。

语言篇

回归本专业，语言对于软件工程专业是非常重要的，一方面是因为任何思想的载体就是程序设计语言，另外一方面则是因为软件离不开语言去架构。在这个发展速度极快的领域当中，没有一种语言是可以永远的用下去，正如当年如日中天却现在已经逐渐消失在视线的Delphi那样，语言终有光华退去，年华不再的时候。

但学习语言，最重要的是学习机制与思想，而不是记那些语法。没有一种语言是适合于所有领域，且在所有领域都能保持先进性。因此我们需要在适当的时候选择合适的语言，这样才能让效率更加高。

我青睐C#，主要是因为.NET的机制真的很优秀。无论是从封装与继承性，还是强大的VS编译器。都让我这个对语言并不是很感冒的人突然对语言有着浓厚的兴趣了。我喜欢在没事的时候看看HELP LIBRARY，或者看看MSDN。又或者在无聊的时候拖拖简单的界面工具玩玩。

但过多的青睐于一种语言却成为了我的个人发展中一个弊端吧，因为这样的模式让自己产生了对上层的依赖感，而缺乏了很多底层上的知识。以至于当需要调用VFW来做摄像头捕获的时候，我不得不从头去学那本就不好学的WINDOWS API。

心理-行为模型篇

心理学研究是很有趣的，特别是在反应人当前心理状态的行为研究上。以往，当我们看很多这样的电影中会讲述部分动作，例如某人说谎时，它的腿部可能会无意识的收缩一下，这代表了它想逃；又再如当某人听说了一则消息后蒙面时，这代表了一种羞愧的心理。诸如之类的研究成果如今不仅仅成为了电影素材，它们更多的用在对于普通人群的一些行为分析中。

人工智能，一个很早时期就被提出的领域。虽然这些年出现了越来越多的智能设备，正如智能手机，智能识别，但这些设备大多都是使用了早期研究的成果。在近20年期间，它的发展一直很缓慢。让计算机理解人的行为本身就是一个非常庞大的工程，不仅仅是一代人的事情，很可能是要穷几代人共同努力才能达到的结果。正如仙剑奇侠传4中，昆仑琼华派穷三代之力，终于铸造成羲和剑和望舒剑，双剑合璧困住了梦璃所属于的幻瞑界一样。

正是因为人工智能与心理研究的特殊关系，在当心理研究还不是很完善的时候，人工智能发展受到了一些限制。

如何做心理-行为模型的研究呢？

首先，我们需要明确我们所研究的领域现状，以及与之相邻的领域研究现状；

其次，需要我们设计出经验模型，这就需要对于心理-行为有着足够的认识才行；

再者，需要做一些耗费巨大人力，物力，财力的实验，以验证、补充、完善、修复这些心理行为模型；

最后，就是需要达成共识。

就目前而言，前三步不是难点，最后一步倒是困扰一个心理-行为模型诞生的最主要的障碍。因为研究方法与研究条件的不同，而造成了很多人对研究结果有着分歧，如何能解决掉这些分歧呢？解决分歧不是像彭浩宇的一部电影中所设想的构造一个分歧自动机，也不是通过几个人的沟通就能解决的。解决分歧的根本方法是证明正确性。但由于个体差异，在心理-行为模型中证明正确以后其实是很困难的，因为你根本没办法找到一个适用所有个体的模型。一个心理-行为模型如果受用人群在80％左右，那么这个模型将会是一个可以使用且不错的模型了。

正是由于现在的这些问题依旧无法解决，因此需要我们这些后来人去不断的研究与完善。

商业与科研的关系

商业，是一个能促进和推动技术进步的领域，如果一项技术能够快速投入商业运行，那么这项技术会得到飞速的发展。但在商业过程中，如果有一些新的技术、新的方法产生后，很少公司会愿意分享这些技术，因为这些已经属于商业机密的范畴了。

科研，其实是一个很造福人类的喜闻乐见的活动，我们可以在单身的时候做科研，也可以在恋爱的时候做科研，还可以在结婚的时候做科研，同样我们也可以在年少的时候做科研，可以在中年的时候做科研，我们还可以在老年的时候做科研，同样我们男同胞们可以做科研，女同胞们也可以做科研。而且，通常科学研究都是一种无私的奉献，为别人的项目，工程提出一种新的方法和思想，发扬了雷锋精神，做了毫不利己，专门利人的事情。因此，科研是一个崇高的事业，我们应该为那些奋斗在科研事业前线的大师、专家、学者、教授、教师、博士、硕士们致以崇高的敬意。

虽然我现在不打算继续上研，而是直接工作了，这主要还是因为自己的性格更适合于做一些其他工作，而不是技术上的工作。但我依然还是觉得做科学研究也是一件很好的事情，至少它的价值不仅仅是人性的光辉，也可以得到一些不错的物质回报。同时，读研、读博也都是可以为以后工作积累丰富经验的过程。我不同意XXX公司的XXXHR说，你们在学校所做的项目跟以后工作做的项目完全不一样，所以基本没啥用。因为我一直就坚信，没有创新的科研是没有出路的，同样，没有创新的公司也不会有太大的发展。仅仅一味的认为自然科学基金等基金支持的项目脱离了现在的商业，但其实本质则不然。这些基金支持的很多项目都很有可能在很多年后成为市场上绝对的主流，正如80年代的计算机谁会想到现在的生活无法离开搜索技术一样。因此，我个人感觉还是最好带有一些自己独特的前瞻性考虑问题会比较好。况且，我们国家真的不缺人才，缺的依旧还是那种能够创新的人才。因此希望各位同学还是尽量读研吧，就本科所学的东西，真的很有限。

痛苦的过程

一年来，几乎放弃了所有的假期，仅仅只是实在是太累的时候去了趟成都休息。不是抱怨，因为过程中的收获远远比失去的要多很多；没有遗憾，因为我们已经尽力了；不是告别这样的艰苦岁月，因为以后的人生中还有很多很多这样的时间，只不过是因为现在身处大学这段人生之中最悠闲的时光中却有这样的不和谐的情景。

回想起前段时间里经常夜里醒来后还在担心程序的问题，心里满是焦急时的心态，虽然很痛苦，但痛苦之中却也凝聚了对于它的热爱；

回想起前段时间里经常早出晚归，虽然很累，但却让自己见证了自己某些方面的潜力，这是好事，也是幸运的；

我不害怕失败，因为我本就一无所有；

我不害怕寂寞，因为我大一下期以来就没有不寂寞过；

正是因为不害怕，才有了现在一丝欣慰，谢谢你，谢谢这段痛苦的过程。

结束语

一年的努力总算结束了，一年的时光也教会了我很多很多东西。虽然自己很可能就这么转行了，但我相信我永远会铭记这段时间。

不是再见，这样的过程还会有；

不是送别，这段岁月已经永远停驻在脑海；

不是伤感，学到的东西远远多于失去的东西；

岁月艰苦，但是无悔！！

的确令人怀念！