目 錄
第1章 概述 1
1.1 什么是計(jì)算機(jī)視覺 1
1.2 計(jì)算機(jī)視覺的發(fā)展史 3
第2章 OpenCV圖像基本操作 6
2.1 如何使用OpenCV 6
2.2 圖像的基礎(chǔ)操作 8
2.2.1 圖像的基本表示方法 8
2.2.2 圖像的讀取、顯示和存儲 11
2.2.3 視頻序列的讀取和存儲 16
2.2.4 圖像像素的處理與訪問 20
2.2.5 獲取圖像屬性 23
2.2.6 圖像RoI 23
2.2.7 圖像通道的拆分與合并 25
2.3 圖像的幾何變換 28
2.3.1 圖像縮放 28
2.3.2 圖像翻轉(zhuǎn) 30
2.3.3 圖像仿射變換 31
2.3.4 圖像透視 34
2.4 圖像的算術(shù)運(yùn)算 35
2.4.1 圖像的加法運(yùn)算 35
2.4.2 圖像的加權(quán)和運(yùn)算 37
2.4.3 圖像的按位邏輯運(yùn)算 38
第3章 深度學(xué)習(xí)與計(jì)算機(jī)視覺 42
3.1 深度學(xué)習(xí)概述 42
3.1.1 深度學(xué)習(xí)的概念 42
3.1.2 深度學(xué)習(xí)的發(fā)展歷程 42
3.2 卷積神經(jīng)網(wǎng)絡(luò) 45
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)的研究歷史與意義 45
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu) 46
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)的工作原理 48
3.2.4 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢 49
3.2.5 實(shí)驗(yàn)—機(jī)器人識別你的字 50
3.3 基于深度學(xué)習(xí)的計(jì)算機(jī)視覺 56
3.3.1 計(jì)算機(jī)視覺與深度學(xué)習(xí)的關(guān)系 56
3.3.2 計(jì)算機(jī)視覺和深度學(xué)習(xí)發(fā)展的加速器—GPU 58
3.3.3 計(jì)算機(jī)視覺與深度學(xué)習(xí)的基礎(chǔ)與研究方向 59
3.4 深度學(xué)習(xí)的實(shí)現(xiàn)框架TensorFlow 60
3.4.1 TensorFlow簡介 60
3.4.2 TensorFlow環(huán)境的搭建 60
3.4.3 TensorFlow計(jì)算模型—計(jì)算圖 68
3.4.4 TensorFlow數(shù)據(jù)模型—張量 70
3.4.5 TensorFlow運(yùn)行模型—會話 74
第4章 圖像分類 76
4.1 定義與應(yīng)用場景 76
4.2 實(shí)現(xiàn)方法 77
4.3 常用數(shù)據(jù)集 80
4.4 實(shí)驗(yàn)—機(jī)器人看圖識物 82
4.5 實(shí)驗(yàn)—機(jī)器人識別人臉表情 100
第5章 目標(biāo)檢測 112
5.1 定義與應(yīng)用場景 112
5.2 實(shí)現(xiàn)方法 113
5.2.1 基于候選區(qū)域的目標(biāo)檢測算法 114
5.2.2 基于直接回歸的目標(biāo)檢測算法 119
5.3 常用數(shù)據(jù)集 122
5.4 實(shí)驗(yàn)—機(jī)器人捕捉人臉并識別 123
5.5 實(shí)驗(yàn)—無人駕駛中的目標(biāo)檢測 141
第6章 圖像分割 146
6.1 定義與應(yīng)用場景 146
6.2 實(shí)現(xiàn)方法 147
6.2.1 基于特征編碼的模型 147
6.2.2 基于區(qū)域選擇的模型 148
6.2.3 基于上采樣/反卷積的模型 150
6.2.4 基于RNN的模型 151
6.2.5 基于提高特征分辨率的模型 152
6.3 常用數(shù)據(jù)集 152
6.4 實(shí)驗(yàn)—無人駕駛場景感知 153
第7章 場景文字識別 165
7.1 定義與應(yīng)用場景 165
7.2 實(shí)現(xiàn)方法 167
7.2.1 傳統(tǒng)方法時(shí)期 167
7.2.2 深度學(xué)習(xí)方法時(shí)期 167
7.3 常用數(shù)據(jù)集 170
7.4 實(shí)驗(yàn)—無人值守車牌識別機(jī)器人 171
第8章 人體關(guān)鍵點(diǎn)檢測 179
8.1 定義與應(yīng)用場景 179
8.1.1 人體關(guān)鍵點(diǎn)檢測的定義 179
8.1.2 人體關(guān)鍵點(diǎn)檢測的應(yīng)用場景 180
8.2 實(shí)現(xiàn)方法 182
8.2.1 自頂向下 183
8.2.2 自底向上 184
8.3 常用數(shù)據(jù)集 186
8.3.1 MPII數(shù)據(jù)集 187
8.3.2 MSCOCO數(shù)據(jù)集 188
8.4 實(shí)驗(yàn)—姿態(tài)識別互動機(jī)器人 189
第9章 圖像生成 194
9.1 定義與應(yīng)用場景 194
9.1.1 圖像生成的定義 194
9.1.2 圖像生成的應(yīng)用 195
9.2 實(shí)現(xiàn)方法 196
9.2.1 GAN模型 196
9.2.2 PixelRNN/PixelCNN模型 197
9.2.3 VAE模型 198
9.3 常用數(shù)據(jù)集 200
9.4 實(shí)驗(yàn)—機(jī)器人書法學(xué)習(xí) 200
第10章 視覺交互機(jī)器人 212
10.1 實(shí)驗(yàn)?zāi)康?212
10.2 實(shí)驗(yàn)背景 212
10.3 實(shí)驗(yàn)原理 212
10.4 實(shí)驗(yàn)環(huán)境 215
10.5 實(shí)驗(yàn)步驟 215
10.5.1 利用CNN主流架構(gòu)的mini_Xception訓(xùn)練情感分類 215
10.5.2 視覺交互機(jī)器人綜合實(shí)驗(yàn) 221
第11章 無人駕駛的自動巡線 228
11.1 實(shí)驗(yàn)?zāi)康?228
11.2 實(shí)驗(yàn)背景 228
11.3 實(shí)驗(yàn)原理 230
11.4 實(shí)驗(yàn)環(huán)境 231
11.5 實(shí)驗(yàn)步驟 231
11.5.1 數(shù)據(jù)準(zhǔn)備 231
11.5.2 網(wǎng)絡(luò)設(shè)計(jì) 231
11.5.3 模型訓(xùn)練 237
11.5.4 模型測試 243