計算機(jī)視覺：基于OpenCV與TensorFlow的深度學(xué)習(xí)方法

目錄

第1章機(jī)器看世界

1.1計算機(jī)眼里的圖像

1.2計算機(jī)視覺的起源

1.2.1馬爾計算視覺

1.2.2主動和目的視覺

1.2.3多視幾何和分層三維重建

1.2.4基于學(xué)習(xí)的視覺

1.3計算機(jī)視覺的難點

1.4深度學(xué)習(xí)的起源

1.5基于深度學(xué)習(xí)的計算機(jī)視覺

1.5.1研究方向

1.5.2未來發(fā)展

第2章傳統(tǒng)圖像處理之OpenCV的妙用

2.1OpenCV安裝

2.2OpenCV模塊

2.3OpenCV數(shù)據(jù)存取

2.4OpenCV圖像基本操作

2.4.1OpenCV圖像縮放

2.4.2OpenCV圖像裁剪

2.4.3OpenCV圖像旋轉(zhuǎn)

2.5從攝像頭讀取

2.6矩陣操作

第3章傳統(tǒng)圖像處理之尋找特征

3.1顏色特征

3.1.1RGB顏色空間

3.1.2HIS顏色空間

3.1.3HSV顏色空間

3.1.4顏色直方圖

3.1.5OpenCV圖像色調(diào)，對比度變化

3.2幾何特征

3.2.1邊緣特征

3.2.2角點

3.2.3斑點

3.3局部特征

3.3.1SIFT算法

3.3.2SURF算法

3.4代碼實戰(zhàn)： 圖像匹配

第4章傳統(tǒng)圖像處理之圖像美化

4.1添加圖形與文字

4.2圖像美白

4.3圖像修復(fù)與去噪

4.4圖像輪廓

4.5圖像金字塔

4.6代碼實戰(zhàn)： 圖像融合

第5章傳統(tǒng)圖像處理之相機(jī)模型

5.1相機(jī)模型

5.1.1針孔相機(jī)模型

5.1.2射影幾何

5.2透鏡

5.3透鏡畸變

第6章傳統(tǒng)圖像處理之目標(biāo)檢測

6.1OpenCV中的機(jī)器學(xué)習(xí)

6.1.1機(jī)器學(xué)習(xí)簡介

6.1.2OpenCV機(jī)器學(xué)習(xí)數(shù)據(jù)流

6.1.3OpenCV機(jī)器學(xué)習(xí)算法

6.2基于支持向量機(jī)的目標(biāo)檢測與識別

6.2.1詞袋算法

6.2.2隱式支持向量機(jī)算法

6.3基于樹方法的目標(biāo)檢測與識別

6.4代碼實戰(zhàn)： 人臉識別

6.5傳統(tǒng)圖像總結(jié)

第7章深度學(xué)習(xí)初識

7.1深度學(xué)習(xí)基礎(chǔ)

7.2正向傳播、反向傳播算法

7.3非線性激活函數(shù)

7.4Dropout正則化方法

7.5GPU加速運(yùn)算

第8章基于深度學(xué)習(xí)的計算機(jī)視覺之卷積神經(jīng)網(wǎng)絡(luò)

8.1卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)

8.1.1卷積層

8.1.2池化層

8.1.3全連接層

8.1.4Softmax激活函數(shù)

8.1.5交叉熵?fù)p失

8.2AlexNet結(jié)構(gòu)詳解

8.3卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點

第9章基于深度學(xué)習(xí)的計算機(jī)視覺之TensorFlow

9.1TensorFlow的起源

9.2TensorFlow基礎(chǔ)知識

9.2.1安裝

9.2.2圖計算

9.2.3TensorFlow 2.0

9.2.4張量

9.2.5tf.data

9.2.6可視化

9.2.7模型存取

9.2.8Keras接口

9.2.9神經(jīng)網(wǎng)絡(luò)搭建

9.3代碼實戰(zhàn)： 手寫數(shù)字

第10章基于深度學(xué)習(xí)的計算機(jī)視覺之目標(biāo)識別

10.1目標(biāo)識別的概念

10.2構(gòu)建數(shù)據(jù)集的方法

10.3搭建神經(jīng)網(wǎng)絡(luò)

10.4訓(xùn)練及效果評估

10.5解決過擬合

10.6數(shù)據(jù)增強(qiáng)

10.7遷移學(xué)習(xí)

第11章基于深度學(xué)習(xí)的計算機(jī)視覺之兩階段目標(biāo)檢測

11.1什么是目標(biāo)檢測

11.2目標(biāo)檢測的難點

11.3目標(biāo)檢測的基礎(chǔ)知識

11.3.1候選框

11.3.2交并比

11.3.3非極大值抑制

11.3.4傳統(tǒng)目標(biāo)檢測基本流程

11.4目標(biāo)檢測效果評估

11.5二階段算法： RCNN類網(wǎng)絡(luò)

11.5.1RCNN網(wǎng)絡(luò)

11.5.2Fast RCNN網(wǎng)絡(luò)

11.5.3Faster RCNN網(wǎng)絡(luò)

11.6代碼實戰(zhàn)

第12章基于深度學(xué)習(xí)的計算機(jī)視覺之階段目標(biāo)檢測

12.1YOLO網(wǎng)絡(luò)

12.1.1YOLO起源

12.1.2YOLO原理

12.1.3YOLOv2原理

12.1.4YOLOv3原理

12.1.5YOLO應(yīng)用

12.2SSD網(wǎng)絡(luò)

12.3代碼實戰(zhàn)： 車牌識別

第13章人臉識別： 傳統(tǒng)方法VS深度學(xué)習(xí)

13.1人臉識別技術(shù)的歷史

13.2人臉識別技術(shù)的發(fā)展前景

13.3人臉識別技術(shù)主要流程

13.3.1人臉識別的主要流程

13.3.2人臉識別的主要方法

13.3.3人臉識別的技術(shù)指標(biāo)

13.4深度學(xué)習(xí)方法

13.5人臉識別的挑戰(zhàn)

第14章基于深度學(xué)習(xí)的計算機(jī)視覺： 生成模型

14.1自動編碼器

14.1.1去噪自動編碼器

14.1.2變分自動編碼器

14.2風(fēng)格遷移

14.3GAN網(wǎng)絡(luò)

參考文獻(xiàn)