La computer vision è un campo dell'intelligenza artificiale che consente ai computer e ai sistemi di ricavare informazioni significative da immagini digitali, video e altri input visivi e di intraprendere azioni o formulare raccomandazioni sulla base di tali informazioni. Se l'intelligenza artificiale consente ai computer di pensare, la computer vision permette loro di vedere, osservare e capire.

La computer vision addestra le macchine a svolgere queste funzioni, ma deve farlo in tempi molto più brevi con telecamere, dati e algoritmi piuttosto che con retine, nervi ottici e corteccia visiva. Poiché un sistema addestrato a ispezionare prodotti o a sorvegliare un impianto di produzione può analizzare migliaia di prodotti o processi al minuto, notando difetti o problemi impercettibili, può superare rapidamente le capacità umane.

Esegue analisi dei dati più e più volte fino a discernere le distinzioni e, infine, a riconoscere le immagini. Ad esempio, per addestrare un computer a riconoscere i pneumatici di un'automobile, è necessario alimentarlo con una grande quantità di immagini di pneumatici e di elementi ad essi correlati per imparare le differenze e riconoscere un pneumatico, soprattutto se privo di difetti.

A questo scopo si utilizzano due tecnologie essenziali: un tipo di apprendimento automatico chiamato deep learning e una rete neurale convoluzionale (CNN).

Una Convolutional Neural Network, nota anche come CNN o ConvNet, è una classe delle neural networks specializzata nell'elaborazione di dati con una topologia a griglia, come le immagini. Un'immagine digitale è una rappresentazione binaria di dati visivi. Contiene una serie di pixel disposti in modo reticolare, con valori di pixel che indicano la luminosità e il colore di ciascun pixel.

Questo script fornisce la possibilità di muovere il mouse attraverso lo spostamento della posizione degli occhi.

Questo script in Python utilizza la libreria 'OpenCV' per acquisire e gestire i frame di un video proveniente dalla webcam del computer, la libreria 'Mediapipe' per rilevare i punti del viso e la posizione degli occhi, e la libreria 'PyAutoGUI' per controllare il cursore del mouse e simulare clic.

Viene utilizzato il modello 'FaceMesh' di Mediapipe per rilevare i landmark facciali nel frame della webcam, estraendo i punti relativi alle posizioni degli occhi. Successivamente, utilizzando la libreria PyAutoGUI, calcola la posizione del cursore in base alla posizione degli occhi rilevati, e muove il cursore del mouse sulla base di questa posizione. Inoltre, il programma rileva anche se l'utente sta facendo un blink, ovvero se le coordinate y degli occhi si avvicinano, e in tal caso esegue un clic del mouse utilizzando la funzione PyAutoGUI.click().

Infine, il programma utilizza la libreria OpenCV per visualizzare il frame con i landmark rilevati. L'intera operazione viene eseguita all'interno di un ciclo while infinito che continua finché non viene interrotto manualmente.