计算机视觉应用与实战

达内时代科技集团是国内知名的互联网-IT教育培训单位，是一站式互联网人才基地，专注IT职业教育人才服务多年，拥有300多家培训中心，帮助学员实现一地学习全国就业。

目 录 第 1 部分 基于 OpenCV 的传统视觉应用 第 1 章 图像生成 /2 1.1 图像显示 /3 1.1.1 使用 OpenCV 显示图像 /3 1.1.2 使用 Matplotlib 显示图像 /3 1.1.3 案例实现――使用OpenCV 显示图像 /3 1.1.4 案例实现――使用Matplotlib 显示图像 /5 1.2 图像读取 /6 1.2.1 使用 OpenCV 读取图像 /6 1.2.2 使用 Matplotlib 读取图像 /7 1.2.3 案例实现――使用OpenCV 读取图像 /7 1.2.4 案例实现――使用Matplotlib 读取图像 /9 1.3 图像保存 /10 1.3.1 使用 OpenCV 保存图像 /10 1.3.2 使用 Matplotlib 保存图像/11 1.3.3 案例实现――使用OpenCV 保存图像 /11 1.3.4 案例实现――使用Matplotlib 保存图像 /14 本章总结 /16 作业与练习 /16 第 2 章 OpenCV 图像处理（1） /17 2.1 图像模糊 /17 2.1.1 均值滤波 /17 2.1.2 中值滤波 /18 2.1.3 高斯滤波 /18 2.1.4 案例实现 /18 2.2 图像锐化 /21 2.2.1 图像锐化简介 /21 2.2.2 案例实现 /21 本章总结 /24 作业与练习 /24 第 3 章 OpenCV 图像处理（2） /26 3.1 OpenCV 绘图 /26 3.1.1 使用 OpenCV 绘制各种图形 /26 3.1.2 案例实现 /27 3.2 图像的几何变换 /31 3.2.1 几何变换操作 /31 3.2.2 案例实现 /32 本章总结 /38 作业与练习 /38 第 4 章 图像特征检测 /40 4.1 边缘编辑和增强 /41 4.1.1 Canny 边缘检测简介 /41 4.1.2 案例实现 /42 4.2 图像轮廓检测 /44 4.2.1 轮廓查找步骤 /45 4.2.2 查找轮廓函数 /45 4.2.3 绘制轮廓函数 /45 4.2.4 案例实现 /46 4.3 图像角点和线条检测 /48 4.3.1 角点的定义 /48 4.3.2 Harris 角点简介 /48 4.3.3 Harris 角点检测函数 /49 4.3.4 案例实现 /49 本章总结 /51 作业与练习 /52 第 5 章 图像特征匹配 /53 5.1 ORB 关键点检测与匹配 /53 5.1.1 FAST 算法 /54 5.1.2 BRIEF 算法 /55 5.1.3 特征匹配 /56 5.1.4 代码流程 /56 5.2 案例实现 /57 本章总结 /59 作业与练习 /59 第 6 章 图像对齐与拼接 /60 6.1 全景图像拼接 /60 6.1.1 全景图像的拼接原理 /61 6.1.2 算法步骤 /61 6.1.3 Ransac 算法介绍 /62 6.1.4 全景图像剪裁 /63 6.2 案例实现 /64 本章总结 /67 作业与练习 /67 第 7 章 相机运动估计 /68 7.1 双目相机运动估计 /68 7.1.1 相机测距流程 /68 7.1.2 双目相机成像模型 /69 7.1.3 极限约束 /70 7.1.4 双目测距的优势 /70 7.1.5 双目测距的难点 /70 7.2 案例实现 /72 本章总结 /82 作业与练习 /83 第 2 部分 基于机器学习和深度学习的视觉应用 第 8 章 基于 SVM 模型的手写数字识别/85 8.1 手写数字识别 /85 8.1.1 手写数字图像 /85 8.1.2 图像处理 /86 8.2 案例实现 /87 本章总结 /95 作业与练习 /95 第 9 章 基于 HOG+SVM 的行人检测 /96 9.1 行人检测 /96 9.1.1 HOG+SVM /96 9.1.2 检测流程 /97 9.1.3 滑动窗口 /98 9.1.4 非极大值抑制 /100 9.2 案例实现 /101 本章总结 /109 作业与练习 /109 第 10 章 数据标注 /110 10.1 目标检测数据标注 /110 10.1.1 数据收集与数据标注 /111 10.1.2 数据标注的通用规则 /112 10.1.3 案例实现 /113 10.2 视频目标跟踪数据标注 /118 10.2.1 视频与图像数据标注的差异 /118 10.2.2 案例实现 /119 本章总结 /127 作业与练习 /127 第 11 章 水果识别 /128 11.1 LeNet-5 模型的训练与评估 /128 11.1.1 卷积层 /129 11.1.2 池化层 /130 11.1.3 ReLU 层 /131 11.1.4 LeNet-5 模型 /131 11.1.5 Keras /132 11.1.6 案例实现 /133 11.2 LeNet-5 模型的应用 /139 11.2.1 使用 OpenCV 操作摄像头 /139 11.2.2 OpenCV 的绘图功能 /140 11.2.3 OpenCV 绘图函数的常见参数 /140 11.2.4 Keras 模型的保存和加载 /140 11.2.5 案例实现 /142 本章总结 /145 作业与练习 /145 第 12 章 病虫害识别 /147 12.1 植物叶子病虫害识别 /147 12.1.1 PlantVillage 数据集 /148 12.1.2 性能评估 /148 12.1.3 感受野 /149 12.2 案例实现 /149 本章总结 /161 作业与练习 /162 第 13 章 相似图像搜索 /163 13.1 以图搜图 /163 13.1.1 VGG 模型 /164 13.1.2 H5 模型文件 /165 13.1.3 案例实现 /166 13.2 人脸识别 /173 13.2.1 人脸检测 /173 13.2.2 分析面部特征 /174 13.2.3 人脸识别特征提取 /175 13.2.4 人脸相似性比较 /176 13.2.5 案例实现 /176 本章总结 /184 作业与练习 /185 第 14 章 多目标检测 /186 14.1 人脸口罩佩戴检测 /186 14.1.1 目标检测 /187 14.1.2 YOLO 模型 /188 14.1.3 YOLOv3 模型 /190 14.1.4 YOLOv3-Tiny 模型 /191 14.2 案例实现 /192 本章总结 /198 作业与练习 /198 第 15 章 可采摘作物检测 /199 15.1 番茄成熟度检测 /199 15.1.1 数据集 /200 15.1.2 RCNN 模型 /201 15.1.3 SPP-Net 模型 /202 15.1.4 Fast-RCNN 模型 /202 15.1.5 Faster-RCNN 模型 /202 15.1.6 Mask-RCNN 模型 /203 15.2 案例实现 /204 本章总结 /213 作业与练习 /213 第 16 章 智能照片编辑 /214 16.1 图像自动着色 /214 16.1.1 GAN 模型的基本结构与原理 /215 16.1.2 构建 GAN 模型 /216 16.2 案例实现 /218 本章总结 /225 作业与练习 /225 第 17 章 超分辨率 /227 17.1 图像超分辨率 /227 17.1.1 SRGAN 模型的结构 /228 17.1.2 SRGAN 模型的损失函数 /229 17.1.3 SRGAN 模型的评价指标 /230 17.2 案例实现 /230 本章总结 /237 作业与练习 /238 第 18 章 医学图像分割 /239 18.1 眼底血管图像分割 /239 18.1.1 图像分割 /240 18.1.2 语义分割 /241 18.1.3 全卷积神经网络 /243 18.1.4 反卷积 /244 18.1.5 U-Net 模型 /244 18.2 案例实现 /245 本章总结 /253 作业与练习 /253 第 19 章 医学图像配准 /255 19.1 头颈部 CT 图像配准 /255 19.1.1 图像配准方法 /256 19.1.2 VoxelMorph 配准框架 /257 19.1.3 TensorFlow-pix2pix /259 19.2 案例实现 /260 本章总结 /265 作业与练习 /265 第 20 章 视频内容分析 /267 20.1 人体动作识别 /267 20.1.1 视频动作识别模型 /268 20.1.2 UCF-101 数据集 /269 20.2 案例实现 /270 本章总结 /275 作业与练习 /275 第 21 章 图像语义理解 /277 21.1 视觉问答 /277 21.1.1 编码器-解码器模型 /279 21.1.2 光束搜索 /281 21.2 案例实现 /282 本章总结 /288 作业与练习 /288 第 3 部分 基于深度学习的新兴视觉应用 第 22 章 三维空间重建 /291 22.1 3D-R2N2 算法 /291 22.1.1 算法简介 /292 22.1.2 算法的优势 /292 22.1.3 算法的结构 /292 22.2 案例实现 /294 本章总结 /298 作业与练习 /298 第 23 章 视频稳定 /300 23.1 人脸视频稳定 /300 23.1.1 MobileNet 模型 /301 23.1.2 SSD 模型 /302 23.1.3 MobileNet-SSD 模型 /303 23.1.4 模型评估 /303 23.1.5 实时影响 /303 23.2 案例实现 /304 本章总结 /317 作业与练习 /317 第 24 章 目标检测与跟踪 /319 24.1 车辆检测与跟踪 /319 24.1.1 UA-DETRAC 数据集 /320 24.1.2 目标跟踪 /322 24.1.3 DeepSORT 目标跟踪 /323 24.2 案例实现 /324 本章总结 /337 作业与练习 /337 第 25 章 风格迁移 /339 25.1 图像与视频风格迁移 /339 25.1.1 理解图像内容和图像风格 /340 25.1.2 图像重建 /341 25.1.3 风格重建 /342 25.2 案例实现 /343 本章总结 /354 作业与练习 /355 附录 A 企业级综合教学项目介绍 /356 1.1 智慧停车场管理系统 /356 1.1.1 项目概述 /356 1.1.2 技能目标 /358 1.2 智慧景区管理系统 /358 1.2.1 项目概述 /358 1.2.2 技能目标 /359 1.3 智能考勤打卡系统 /360 1.3.1 项目概述 /360 1.3.2 技能目标 /361

市面上讲解人工智能的书比较多，但要么是偏重理论的讲解，要么是很好深涩的代码，对于计算机基础较差的学员来说，学习成本很高或者学了无益，付出了大量时间，但达不到岗位要求。“人工智能应用与实践系列”图书开创性地使用了新的教学方法，通过大量由浅入深、环环相扣的实践案例，能够帮助学员迅速理解人工智能的应用，快速掌握工作技能。此外本书还配有超值的400分钟以上的视频课程，帮助基础稍弱或者0基础的学员迅速提升。

本书围绕计算机视觉在农业、医学、工业等领域的案例，深入浅出地讲解计算机视觉核心的模型与关键技术。本书中所有案例的代码均能在达内时代科技集团自主研发的 AIX-EBoard 人工智能实验平台上部署与实施，实现了教学场景化、学习趣味化。本书分为三个部分，循序渐进地介绍计算机视觉相关技术的理论基础和各案例的实践步骤。第 1 部分基于 OpenCV 介绍传统视觉应用的基础算法，同时实现轮廓提取、全景图像拼接等案例的实践；在传统视觉应用的基础上，第 2 部分讲解基于机器学习和深度学习的视觉应用，结合不同行业的案例对图像进行分析处理，如水果识别、病虫害识别、相似图像搜索、眼底血管图像分割等。第 3 部分聚焦市场关注度较高的一些新兴视觉应用的原理及实现，如从二维图像到三维空间的重建、计算机视觉在移动设备中的应用、实时图像和视频的风格迁移等。本书适合人工智能相关专业的本科生、专科生及计算机初学者阅读，既可以作为应用型本科院校和高等职业院校人工智能专业的教材，也可以作为相关领域从业者的学习和参考用书。本书可以帮助有一定基础的读者查漏补缺，深入理解和掌握相关原理与方法，提高解决实际问题的能力。