1.编程语言与图像处理工具。熟练掌握Python和C++，具备良好编程习惯和代码优化能力。熟悉OpenCV、Pillow、Scikit-image等图像处理库，能实现图像读取、处理、保存等操作，如滤波、变换、形态学操作等。熟悉并行计算原理，掌握CUDA编程，能利用GPU加速图像处理和深度学习任务；了解实时系统开发要求和方法，有实时系统下图像处理算法开发经验。
2.深度学习框架与项目经验。熟悉TensorFlow、PyTorch、Keras等深度学习框架，能根据需求选择框架进行模型开发和训练。参与过图像分类、目标检测等计算机视觉项目，具备从数据预处理到模型设计、训练、测试的完整项目经验，能独立完成任务并优化模型性能。
3.数学与图像处理原理。具备扎实的数学基础（线性代数、概率论、微积分等），能应用数学原理解决图像处理和深度学习问题。熟悉数字图像处理原理和方法，如滤波、变换、形态学操作等，能根据需求选择合适算法进行处理。
4.图像处理算法与工具。精通滤波、边缘检测（如Sobel、Canny算法）、形态学操作、模板匹配等图像处理算法，能灵活运用实现图像特征提取、目标检测等功能。熟练使用OpenCV工具库，能快速实现图像处理算法原型开发和优化，熟悉其高级功能，如视频处理、特征点检测与匹配等。
5.图像格式与处理流程。熟悉JPEG、PNG、RAW等常用图像格式特点、编码方式及应用场景，能根据需求选择合适格式处理。掌握图像处理流程，包括预处理（灰度化、归一化等）、特征提取、分析与识别等环节，能设计合理处理流程。
6.深度学习模型。熟练使用PyTorch和TensorFlow构建、训练和优化深度学习模型，熟悉常用模块和函数。熟悉YOLO、Mask R-CNN等目标检测模型原理和架构，能根据需求改进和优化模型，提高检测精度和速度。
7.定位算法开发经验。熟悉SLAM原理和方法，能实现基于视觉、激光雷达等传感器的SLAM算法。了解多传感器融合技术，能融合不同传感器数据提高定位精度；掌握几何校正方法，能对图像或点云数据进行校正。