OpenCV 4計算機視覺：Python語言實現(xiàn)（原書第3版）

譯者序
前言
作者簡介
審校者簡介
第1章　安裝OpenCV 1
1.1　技術需求 2
1.2　OpenCV 4有哪些新特性 2
1.3　選擇和使用合適的安裝工具 3
1.3.1　在Windows上安裝 3
1.3.2　在macOS上安裝 7
1.3.3　在Debian、Ubuntu、Linux Mint以及類似系統(tǒng)上安裝 8
1.3.4　在其他類UNIX系統(tǒng)上安裝 11
1.4　運行示例 12
1.5　查找文檔、幫助和更新 13
1.6　本章小結 13
第2章　處理文件、攝像頭和GUI 14
2.1　技術需求 14
2.2　基本I/O腳本 14
2.2.1　讀取/寫入圖像文件 15
2.2.2　在圖像和原始字節(jié)之間進行轉換 17
2.2.3　基于numpy.array訪問圖像數(shù)據 19
2.2.4　讀取/寫入視頻文件 21
2.2.5　捕捉攝像頭幀 22
2.2.6　在窗口中顯示圖像 23
2.2.7　在窗口中顯示攝像頭幀 24
2.3　項目Cameo（人臉跟蹤和圖像處理） 25
2.4　Cameo：面向對象的設計 26
2.4.1　基于managers.CaptureManager提取視頻流 26
2.4.2　基于managers.WindowManager提取窗口和鍵盤 30
2.4.3　基于cameo.Cameo應用所有內容 31
2.5　本章小結 33
第3章　基于OpenCV的圖像處理 34
3.1　技術需求 34
3.2　在不同顏色模型之間進行圖像轉換 34
3.3　探索傅里葉變換 35
3.4　創(chuàng)建模塊 38
3.5　邊緣檢測 38
3.6　自定義核：獲取卷積 39
3.7　修改應用程序 41
3.8　基于Canny的邊緣檢測 43
3.9　輪廓檢測 43
3.9.1　邊框、小矩形區(qū)域以及小外接圓 44
3.9.2　凸輪廓和Douglas-Peucker算法 46
3.10　檢測線、圓以及其他形狀 48
3.10.1　檢測線 48
3.10.2　檢測圓 49
3.10.3　檢測其他形狀 50
3.11　本章小結 50
第4章　深度估計和分割 51
4.1　技術需求 51
4.2　創(chuàng)建模塊 52
4.3　從深度攝像頭捕捉幀 52
4.4　將10位圖像轉換成8位圖像 54
4.5　由視差圖創(chuàng)建掩模 56
4.6　修改應用程序 57
4.7　基于普通攝像頭的深度估計 59
4.8　基于GrabCut算法的前景檢測 64
4.9　基于分水嶺算法的圖像分割 67
4.10　本章小結 69
第5章　人臉檢測和識別 70
5.1　技術需求 71
5.2　Haar級聯(lián)的概念化 71
5.3　獲取Haar級聯(lián)數(shù)據 72
5.4　使用OpenCV進行人臉檢測 72
5.4.1　在靜態(tài)圖像上進行人臉檢測 73
5.4.2　在視頻上進行人臉檢測 74
5.4.3　進行人臉識別 77
5.5　在紅外線下?lián)Q臉 83
5.5.1　修改應用程序的循環(huán) 84
5.5.2　掩模復制操作 86
5.6　本章小結 88
第6章　使用圖像描述符檢索和搜索圖像 89
6.1　技術需求 89
6.2　理解特征檢測和匹配的類型 90
6.3　檢測Harris角點 90
6.4　檢測DoG特征并提取SIFT描述符 92
6.5　檢測快速Hessian特征并提取SURF描述符 95
6.6　使用基于FAST特征和BRIEF描述符的ORB 96
6.6.1　FAST 97
6.6.2　BRIEF 97
6.6.3　蠻力匹配 98
6.6.4　匹配兩幅圖像中的標識 98
6.7　使用K近鄰和比率檢驗過濾匹配 101
6.8　基于FLANN的匹配 104
6.9　基于FLANN進行單應性匹配 107
6.10　示例應用程序：文身取證 110
6.10.1　將圖像描述符保存到文件 110
6.10.2　掃描匹配 111
6.11　本章小結 114
第7章　建立自定義物體檢測器 115
7.1　技術需求 115
7.2　理解HOG描述符 116
7.2.1　HOG的可視化 116
7.2.2　使用HOG描述圖像的區(qū)域 117
7.3　理解非極大值抑制 118
7.4　理解支持向量機 118
7.5　基于HOG描述符檢測人 119
7.6　創(chuàng)建并訓練物體檢測器 122
7.6.1　理解BoW 122
7.6.2　將BoW應用于計算機視覺領域 123
7.6.3　k均值聚類 123
7.7　檢測汽車 124
7.7.1　支持向量機和滑動窗口相結合 129
7.7.2　檢測場景中的汽車 130
7.7.3　保存并加載經過訓練的支持向量機 135
7.8　本章小結 135
第8章　物體跟蹤 136
8.1　技術需求 136
8.2　基于背景差分檢測運動物體 137
8.2.1　實現(xiàn)基本背景差分器 138
8.2.2　使用MOG背景差分器 140
8.2.3　使用KNN背景差分器 143
8.2.4　使用GMG和其他背景差分器 145
8.3　利用MeanShift和CamShift跟蹤彩色物體 147
8.3.1　規(guī)劃MeanShift示例 148
8.3.2　計算和反投影顏色直方圖 148
8.3.3　實現(xiàn)MeanShift示例 152
8.3.4　使用CamShift 153
8.4　使用卡爾曼濾波器尋找運動趨勢 155
8.4.1　理解預測和更新階段 155
8.4.2　跟蹤鼠標光標 156
8.5　跟蹤行人 158
8.5.1　規(guī)劃應用程序的流程 158
8.5.2　比較面向對象范式和函數(shù)范式 159
8.5.3　實現(xiàn)行人類 160
8.5.4　實現(xiàn)主函數(shù) 162
8.5.5　考慮接下來的步驟 165
8.6　本章小結 165
第9章　攝像頭模型和增強現(xiàn)實 166
9.1　技術需求 166
9.2　理解3D圖像跟蹤和增強現(xiàn)實 167
9.2.1　理解攝像頭和鏡頭參數(shù) 168
9.2.2　理解cv2.solvePnPRansac 172
9.3　實現(xiàn)demo應用程序 174
9.3.1　導入模塊 174
9.3.2　執(zhí)行灰度轉換 175
9.3.3　執(zhí)行2D到3D的空間轉換 176
9.3.4　實現(xiàn)應用程序類 177
9.3.5　運行和測試應用程序 192
9.4　改進3D跟蹤算法 195
9.5　本章小結 195
第10章　基于OpenCV的神經網絡導論 197
10.1　技術需求 198
10.2　理解人工神經網絡 198
10.2.1　理解神經元和感知器 199
10.2.2　理解神經網絡的層 200
10.3　用OpenCV訓練基本人工神經網絡 202
10.4　訓練多階段人工神經網絡分類器 203
10.5　基于人工神經網絡識別手寫數(shù)字 207
10.5.1　理解手寫數(shù)字的MNIST數(shù)據庫 207
10.5.2　為MNIST數(shù)據庫選擇訓練參數(shù) 208
10.5.3　實現(xiàn)模塊來訓練人工神經網絡 208
10.5.4　實現(xiàn)簡單測試模塊 212
10.5.5　實現(xiàn)主模塊 212
10.5.6　試著提升人工神經網絡訓練性能 217
10.5.7　尋找其他潛在應用程序 218
10.6　在OpenCV中使用其他框架的深度神經網絡 219
10.7　基于第三方深度神經網絡的物體檢測和分類 220
10.8　基于第三方深度神經網絡的人臉檢測和分類 223
10.9　本章小結 228
附錄　基于曲線濾波器彎曲顏色空間 229