OpenCV4计算机视觉：Python语言实现（原书第3版）

图书标准信息

• 作者 [加]约瑟夫·豪斯（Joseph Howse）、[爱]乔·米尼奇诺（Joe Minichino） 著；刘冰、高博 译
• 出版社 机械工业出版社
• 出版时间 2021-09
• 版次 1
• ISBN 9787111689485
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 252页

【内容简介】

本书首先介绍OpenCV 4以及如何基于Python 3在各种平台上安装OpenCV 4。接下来，你将学习如何执行读取、写入、操纵，以及显示静态图像、视频和摄像机回馈等基本操作。你还将学习图像处理、视频分析、深度估计和分割，并通过构建一个简单的GUI应用程序获得实践经验。接下来，你将处理两类常见问题：人脸检测和人脸识别。你还将学习物体分类和机器学习的概念，这将使你能够创建和使用物体检测器和分类器，甚至跟踪电影或摄像机回馈中的物体。稍后，你将学习3D跟踪和增强现实。本书末尾，你将学习人工神经网络和深度神经网络，学习如何开发手写数字识别以及对人的性别和年龄分类的应用程序。 

【作者简介】

译者简介

审校者简介

章 安装opencv

1.1 技术需求

1.2 opencv 4有哪些新特

1.3 选择和使用合适的安装工具

1.3.1 在windows上安装

1.3.2 在macos上安装

1.3.3 在debian、ubuntu、linux mint以及类似系统上安装

1.3.4 在其他类unix系统上安装

1.4 运行示例

1.5 查找文档、帮助和更新

1.6 本章小结

第2章 处理文件、摄像头和gui

2.1 技术需求

2.2 基本i/o脚本

2.2.1 读取/写入图像文件

2.2.2 在图像和原始字节之间进行转换

2.2.3 基于numpy.array访问图像数据

2.2.4 读取/写入文件

2.2.5 捕捉摄像头帧

2.2.6 在窗中显示图像

2.2.7 在窗中显示摄像头帧

2.3 项目cameo（人脸跟踪和图像处理）

2.4 cameo：面向对象的设计

2.4.1 基于managers.capturemanager提取流

2.4.2 基于managers.windowmanager提取窗和键盘

2.4.3 基于cameo.cameo应用所有内容

2.5 本章小结

第3章 基于opencv的图像处理

3.1 技术需求

3.2 在不同模型之间进行图像转换

3.3 探索傅里叶变换

3.4 创建模块

3.5 边缘检测

3.6 自定义核：获取卷积

3.7 修改应用程序

3.8 基于canny的边缘检测

3.9 轮廓检测

3.9.1 边框、小矩形区域以及小外接圆

3.9.2 凸轮廓和douglas-peucker算法

3.10 检测线、圆以及其他形状

3.10.1 检测线

3.10.2 检测圆

3.10.3 检测其他形状

3.11 本章小结

第4章 深度估计和分割

4.1 技术需求

4.2 创建模块

4.3 从深度摄像头捕捉帧

4.4 将10位图像转换成8位图像

4.5 由视差图创建掩模

4.6 修改应用程序

4.7 基于普通摄像头的深度估计

4.8 基于grabcut算法的前景检测

4.9 基于分水岭算法的图像分割

4.10 本章小结

第5章 人脸检测和识别

5.1 技术需求

5.2 haar级联的概念化

5.3 获取haar级联数据

5.4 使用opencv进行人脸检测

5.4.1 在静态图像上进行人脸检测

5.4.2 在上进行人脸检测

5.4.3 进行人脸识别

5.5 在红外线下换脸

5.5.1 修改应用程序的循环

5.5.2 掩模复制作

5.6 本章小结

第6章 使用图像描述符检索和搜索图像

6.1 技术需求

6.2 理解特征检测和匹配的类型

6.3 检测harris角点

6.4 检测dog特征并提取sift描述符

6.5 检测快速hessian特征并提取surf描述符

6.6 使用基于fast特征和brief描述符的orb

6.6.1 fast

6.6.2 brief

6.6.3 蛮力匹配

6.6.4 匹配两幅图像中的标识

6.7 使用k近邻和比率检验过滤匹配

6.8 基于flann的匹配

6.9 基于flann进行单应匹配

6.10 示例应用程序：文身

6.10.1 将图像描述符保存到文件

6.10.2 扫描匹配

6.11 本章小结

第7章 建立自定义物体检测器

7.1 技术需求

7.2 理解hog描述符

7.2.1 hog的可视化

7.2.2 使用hog描述图像的区域

7.3 理解非极大值抑制

7.4 理解支持向量机

7.5 基于hog描述符检测人

7.6 创建并训练物体检测器

7.6.1 理解bow

7.6.2 将bow应用于计算机视觉领域

7.6.3 k均值聚类

7.7 检测汽车

7.7.1 支持向量机和滑动窗相结合

7.7.2 检测场景中的汽车

7.7.3 保存并加载经过训练的支持向量机

7.8 本章小结

第8章 物体跟踪

8.1 技术需求

8.2 基于背景差分检测运动物体

8.2.1 实现基本背景差分器

8.2.2 使用mog背景差分器

8.2.3 使用knn背景差分器

8.2.4 使用gmg和其他背景差分器

8.3 利用meanshift和camshift跟踪彩物体

8.3.1 规划meanshift示例

8.3.2 计算和反投影直方图

8.3.3 实现meanshift示例

8.3.4 使用camshift

8.4 使用卡尔曼滤波器寻找运动趋势

8.4.1 理解预测和更新阶段

8.4.2 跟踪鼠标光标

8.5 跟踪行人

8.5.1 规划应用程序的流程

8.5.2 比较面向对象范式和函数范式

8.5.3 实现行人类

8.5.4 实现主函数

8.5.5 虑接下来的步骤

8.6 本章小结

第9章 摄像头模型和增强现实

9.1 技术需求

9.2 理解3d图像跟踪和增强现实

9.2.1 理解摄像头和镜头参数

9.2.2 理解cv2.solvepnpransac

9.3 实现demo应用程序

9.3.1 导入模块

9.3.2 执行灰度转换

9.3.3 执行2d到3d的空间转换

9.3.4 实现应用程序类

9.3.5 运行和测试应用程序

9.4 改进3d跟踪算法

9.5 本章小结

0章 基于opencv的神经网络导论

10.1 技术需求

10.2 理解人工神经网络

10.2.1 理解神经元和感知器

10.2.2 理解神经网络的层

10.3 用opencv训练基本人工神经网络

10.4 训练多阶段人工神经网络分类器

10.5 基于人工神经网络识别手写数字

10.5.1 理解手写数字的mnist数据库

10.5.2 为mnist数据库选择训练参数

10.5.3 实现模块来训练人工神经网络

10.5.4 实现简单测试模块

10.5.5 实现主模块

10.5.6 试着提升人工神经网络训练能

10.5.7 寻找其他潜在应用程序

10.6 在opencv中使用其他框架的深度神经网络

10.7 基于第三方深度神经网络的物体检测和分类

10.8 基于第三方深度神经网络的人脸检测和分类

10.9 本章小结

附录 基于曲线滤波器弯曲空间

【目录】

译者序 

前言 

作者简介 

审校者简介 

第1章 安装OpenCV 1 

11 技术需求 2 

12 OpenCV 4有哪些新特性 2 

13 选择和使用合适的安装工具 3 

131 在Windows上安装 3 

132 在macOS上安装 7 

133 在Debian、Ubuntu、Linux Mint以及类似系统上安装 8 

134 在其他类UNIX系统上安装 11 

14 运行示例 12 

15 查找文档、帮助和更新 13 

16 本章小结 13 

第2章 处理文件、摄像头和GUI 14 

21 技术需求 14 

22 基本I/O脚本 14 

221 读取/写入图像文件 15 

222 在图像和原始字节之间进行转换 17 

223 基于numpyarray访问图像数据 19 

224 读取/写入视频文件 21 

225 捕捉摄像头帧 22 

226 在窗口中显示图像 23 

227 在窗口中显示摄像头帧 24 

23 项目Cameo（人脸跟踪和图像处理） 25 

24 Cameo：面向对象的设计 26 

241 基于managersCaptureManager提取视频流 26 

242 基于managersWindowManager提取窗口和键盘 30 

243 基于cameoCameo应用所有内容 31 

25 本章小结 33 

第3章 基于OpenCV的图像处理 34 

31 技术需求 34 

32 在不同颜色模型之间进行图像转换 34 

33 探索傅里叶变换 35 

34 创建模块 38 

35 边缘检测 38 

36 自定义核：获取卷积 39 

37 修改应用程序 41 

38 基于Canny的边缘检测 43 

39 轮廓检测 43 

391 边框、最小矩形区域以及最小外接圆 44 

392 凸轮廓和Douglas-Peucker算法 46 

310 检测线、圆以及其他形状 48 

3101 检测线 48 

3102 检测圆 49 

3103 检测其他形状 50 

311 本章小结 50 

第4章 深度估计和分割 51 

41 技术需求 51 

42 创建模块 52 

43 从深度摄像头捕捉帧 52 

44 将10位图像转换成8位图像 54 

45 由视差图创建掩模 56 

46 修改应用程序 57 

47 基于普通摄像头的深度估计 59 

48 基于GrabCut算法的前景检测 64 

49 基于分水岭算法的图像分割 67 

410 本章小结 69 

第5章 人脸检测和识别 70 

51 技术需求 71 

52 Haar级联的概念化 71 

53 获取Haar级联数据 72 

54 使用OpenCV进行人脸检测 72 

541 在静态图像上进行人脸检测 73 

542 在视频上进行人脸检测 74 

543 进行人脸识别 77 

55 在红外线下换脸 83 

551 修改应用程序的循环 84 

552 掩模复制操作 86 

56 本章小结 88 

第6章 使用图像描述符检索和搜索图像 89 

61 技术需求 89 

62 理解特征检测和匹配的类型 90 

63 检测Harris角点 90 

64 检测DoG特征并提取SIFT描述符 92 

65 检测快速Hessian特征并提取SURF描述符 95 

66 使用基于FAST特征和BRIEF描述符的ORB 96 

661 FAST 97 

662 BRIEF 97 

663 蛮力匹配 98 

664 匹配两幅图像中的标识 98 

67 使用K最近邻和比率检验过滤匹配 101 

68 基于FLANN的匹配 104 

69 基于FLANN进行单应性匹配 107 

610 示例应用程序：文身取证 110 

6101 将图像描述符保存到文件 110 

6102 扫描匹配 111 

611 本章小结 114 

第7章 建立自定义物体检测器 115 

71 技术需求 115 

72 理解HOG描述符 116 

721 HOG的可视化 116 

722 使用HOG描述图像的区域 117 

73 理解非极大值抑制 118 

74 理解支持向量机 118 

75 基于HOG描述符检测人 119 

76 创建并训练物体检测器 122 

761 理解BoW 122 

762 将BoW应用于计算机视觉领域 123 

763 k均值聚类 123 

77 检测汽车 124 

771 支持向量机和滑动窗口相结合 129 

772 检测场景中的汽车 130 

773 保存并加载经过训练的支持向量机 135 

78 本章小结 135 

第8章 物体跟踪 136 

81 技术需求 136 

82 基于背景差分检测运动物体 137 

821 实现基本背景差分器 138 

822 使用MOG背景差分器 140 

823 使用KNN背景差分器 143 

824 使用GMG和其他背景差分器 145 

83 利用MeanShift和CamShift跟踪彩色物体 147 

831 规划MeanShift示例 148 

832 计算和反投影颜色直方图 148 

833 实现MeanShift示例 152 

834 使用CamShift 153 

84 使用卡尔曼滤波器寻找运动趋势 155 

841 理解预测和更新阶段 155 

842 跟踪鼠标光标 156 

85 跟踪行人 158 

851 规划应用程序的流程 158 

852 比较面向对象范式和函数范式 159 

853 实现行人类 160 

854 实现主函数 162 

855 考虑接下来的步骤 165 

86 本章小结 165 

第9章 摄像头模型和增强现实 166 

91 技术需求 166 

92 理解3D图像跟踪和增强现实 167 

921 理解摄像头和镜头参数 168 

922 理解cv2solvePnPRansac 172 

93 实现demo应用程序 174 

931 导入模块 174 

932 执行灰度转换 175 

933 执行2D到3D的空间转换 176 

934 实现应用程序类 177 

935 运行和测试应用程序 192 

94 改进3D跟踪算法 195 

95 本章小结 195 

第10章 基于OpenCV的神经网络导论 197 

101 技术需求 198 

102 理解人工神经网络 198 

1021 理解神经元和感知器 199 

1022 理解神经网络的层 200 

103 用OpenCV训练基本人工神经网络 202 

104 训练多阶段人工神经网络分类器 203 

105 基于人工神经网络识别手写数字 207 

1051 理解手写数字的MNIST数据库 207 

1052 为MNIST数据库选择训练参数 208 

1053 实现模块来训练人工神经网络 208 

1054 实现简单测试模块 212 

1055 实现主模块 212 

1056 试着提升人工神经网络训练性能 217 

1057 寻找其他潜在应用程序 218 

106 在OpenCV中使用其他框架的深度神经网络 219 

107 基于第三方深度神经网络的物体检测和分类 220 

108 基于第三方深度神经网络的人脸检测和分类 223 

109 本章小结 228 

附录 基于曲线滤波器弯曲颜色空间 229