OpenCV 3计算机视觉：Python语言实现（原书第2版）
豆瓣
Python语言实现
Joe Minichino 刘波 / 苗贝贝 …
简介
OpenCV 3是一种先进的计算机视觉库，可以用于各种图像和视频处理操作，通过OpenCV 3 能很容易地实现一些有前景且功能先进的应用（比如：人脸识别或目标跟踪等）。理解与计算机视觉相关的算法、模型以及OpenCV 3 API背后的基本概念，有助于开发现实世界中的各种应用程序（比如：安全和监视领域的工具）。
本书将从图像处理的基本操作出发，带你开启先进计算机视觉概念的探索之旅。计算机视觉是一个快速发展的学科，在现实生活中，它的应用增长得非常快，因此写作本书的目的是为了帮助计算机视觉领域的新手和想要了解全新的OpenCV 3.0.0的计算机视觉专家。
本书的主要内容
第1章介绍如何在不同平台下安装基于Python的OpenCV，并给出一些常见问题的解决方法。
第2章介绍了OpenCV的I/O功能，并讨论与项目相关的概念，以及如何针对该项目进行面向对象设计。
第3章介绍一些图像变换方法，例如在图像中检测肤色、锐化图像、标记主体轮廓，以及使用线段检测器检测人行横道等。
第4章介绍如何利用深度摄像头的数据来识别前景和背景区域，这样就可以限制针对前景或背景的效果。
第5章介绍一些OpenCV的人脸检测功能和相关的数据文件，这些文件定义了跟踪目标的特定类型。
第6章介绍如何用OpenCV来检测图像特征，并利用这些特征来匹配和搜索图像。
第7章介绍目标检测和目标识别的概念，这是计算机视觉中最常见的问题之一。
第8章对目标跟踪进行深入探讨，目标跟踪是对摄像机中的图像或视频中移动的物体进行定位的过程。
第9章介绍基于OpenCV的人工神经网络，并介绍其在现实生活中的应用。
阅读前的准备工作
本书第1章会指导读者安装所有必要软件，你只需准备一台较新的计算机。另外，强烈推荐为计算机安装摄像头，但这并不是必备的。
本书的读者对象
本书针对具有一定Python工作经验的程序员以及想要利用OpenCV库研究计算机视觉课题的读者。本书不要求读者具有计算机视觉或OpenCV经验，但要具有编程经验。
本书体例
本书有很多用来区分不同信息的文本格式，下面给出一些这类格式的样例，并解释它们的含义。
代码块的格式如下：
为了提醒读者注意代码块中的特殊部分，会将相关行或相关项设置为粗体：
. 命令行的输入或输出的格式为：
注意：警告或重要注释以这样的形式出现。
提示：提示和技巧以这样的形式出现。
下载示例代码
读者可登录华章网站（www.hzbook.com）本书页面，下载本书示例代码。
目录
译者序
前言
作者简介
审校者简介
译者简介
第1章 安装OpenCV 1
1.1 选择和使用合适的安装工具 2
1.1.1 在Windows上安装 2
1.1.2 在OS X系统中安装 6
1.1.3 在Ubuntu及其衍生版本中安装 11
1.1.4 在其他类Unix系统中安装 12
1.2 安装Contrib模块 13
1.3 运行示例 13
1.4 查找文档、帮助及更新 14
1.5 总结 15
第2章 处理文件、摄像头和图形用户界面 16
2.1 基本I/O脚本 16
2.1.1 读/写图像文件 16
2.1.2 图像与原始字节之间的转换 19
2.1.3 使用numpy.array访问图像数据 20
2.1.4 视频文件的读/写 22
2.1.5 捕获摄像头的帧 23
2.1.6 在窗口显示图像 24
2.1.7 在窗口显示摄像头帧 25
2.2 Cameo项目（人脸跟踪和图像处理） 26
2.3 Cameo—面向对象的设计 27
2.3.1 使用managers. CaptureManager提取视频流 27
2.3.2 使用managers.WindowManager抽象窗口和键盘 32
2.3.3 cameo.Cameo的强大实现 33
2.4 总结 34
第3章 使用OpenCV 3处理图像 36
3.1 不同色彩空间的转换 36
3.2 傅里叶变换 37
3.2.1 高通滤波器 37
3.2.2 低通滤波器 39
3.3 创建模块 39
3.4 边缘检测 40
3.5 用定制内核做卷积 41
3.6 修改应用 43
3.7 Canny边缘检测 44
3.8 轮廓检测 45
3.9 边界框、最小矩形区域和最小闭圆的轮廓 46
3.10 凸轮廓与Douglas-Peucker算法 48
3.11 直线和圆检测 50
3.11.1 直线检测 50
3.11.2 圆检测 51
3.12 检测其他形状 52
3.13 总结 52
第4章 深度估计与分割 53
4.1 创建模块 53
4.2 捕获深度摄像头的帧 54
4.3 从视差图得到掩模 56
4.4 对复制操作执行掩模 57
4.5 使用普通摄像头进行深度估计 59
4.6 使用分水岭和GrabCut算法进行物体分割 63
4.6.1 用GrabCut进行前景检测的例子 64
4.6.2 使用分水岭算法进行图像分割 66
4.7 总结 69
第5章 人脸检测和识别 70
5.1 Haar级联的概念 70
5.2 获取Haar级联数据 71
5.3 使用OpenCV进行人脸检测 72
5.3.1 静态图像中的人脸检测 72
5.3.2 视频中的人脸检测 74
5.3.3 人脸识别 76
5.4 总结 82
第6章 图像检索以及基于图像描述符的搜索 83
6.1 特征检测算法 83
6.1.1 特征定义 84
6.1.2 使用DoG和SIFT进行特征提取与描述 86
6.1.3 使用快速Hessian算法和SURF来提取和检测特征 89
6.1.4 基于ORB的特征检测和特征匹配 91
6.1.5 ORB特征匹配 93
6.1.6 K-最近邻匹配 95
6.1.7 FLANN匹配 96
6.1.8 FLANN的单应性匹配 99
6.1.9 基于文身取证的应用程序示例 102
6.2 总结 105
第7章 目标检测与识别 106
7.1 目标检测与识别技术 106
7.1.1 HOG描述符 107
7.1.2 检测人 112
7.1.3 创建和训练目标检测器 113
7.2 汽车检测 116
7.2.1 代码的功能 118
7.2.2 SVM和滑动窗口 122
7.3 总结 134
第8章 目标跟踪 135
8.1 检测移动的目标 135
8.2 背景分割器：KNN、MOG2和GMG 138
8.2.1 均值漂移和CAMShift 142
8.2.2 彩色直方图 144
8.2.3 返回代码 146
8.3 CAMShift 147
8.4 卡尔曼滤波器 149
8.4.1 预测和更新 149
8.4.2 范例 150
8.4.3 一个基于行人跟踪的例子 153
8.4.4 Pedestrian类 154
8.4.5 主程序 157
8.5 总结 159
第9章 基于OpenCV的神经网络简介 160
9.1 人工神经网络 160
9.2 人工神经网络的结构 161
9.2.1 网络层级示例 162
9.2.2 学习算法 163
9.3 OpenCV中的ANN 164
9.3.1 基于ANN的动物分类 166
9.3.2 训练周期 169
9.4 用人工神经网络进行手写数字识别 170
9.4.1 MNIST—手写数字数据库 170
9.4.2 定制训练数据 170
9.4.3 初始参数 171
9.4.4 迭代次数 171
9.4.5 其他参数 171
9.4.6 迷你库 172
9.4.7 主文件 175
9.5 可能的改进和潜在的应用 180
9.5.1 改进 180
9.5.2 应用 181
9.6 总结 181