Lee达森的博客

本章将深入探讨物体检测的概念，这是计算机视觉中最常见的挑战之一。既然在这本教程中已经讲了很多内容了，读到这里，你也许会想，什么时候才能把计算机视觉应用实践中呢。你是否想过建立一个系统来检测车辆和人呢？实际上，你离目标已经不远了。在前面的章节中，我们已经研究了一些物体检测和识别的具体例子。我们在第5章中关注的是直立、正面的人脸，在第6章中关注的是具有类似角点或者类似斑点特征的物体。在本章中，我们将探讨具有良好泛化性能或推广能力的算法，在某种意义上，这些算法可以应对存在于给定物体类中的真实世界的

类似于人的眼睛和大脑，OpenCV可以检测图像的主要特征并将这些特征提取到所谓的图像描述符中。然后，可以将这些特征作为数据库，支持基于图像的搜索。此外，我们可以使用关键点将图像拼接起来，组成更大的图像。（想象一下把很多图片放到一起组成一幅360°的全景图。）本章将展示如何使用OpenCV检测图像中的特征，并利用这些特征匹配和检索图像。在本章的学习过程中，我们会获取样本图像并检测其主要特征，然后试着在另一幅图像中找到与样本图像匹配的区域。我们还将找到样本图像和另一幅图像匹配区域之间的单应性或者

计算机视觉使很多任务成为现实，其中两项任务就是人脸检测（在图像中定位人脸）和人脸识别（将人脸识别为特定的人）。OpenCV实现了一些人脸检测和识别的算法。从安全到娱乐，这些技术在现实环境中都有应用。本章介绍OpenCV的一些人脸检测和识别功能，并定义特定类型的可跟踪物体的数据文件。具体来说，将研究Haar级联分类器，通过分析相邻图像区域之间的对比度，确定给定图像或子图像是否与已知类型匹配。我们来考虑如何在层次结构中组合多个Haar级联分类器，以便用一个分类器识别父区域（就我们的目标而言，是一

章首先将展示如何使用深度摄像头的数据识别前景和背景区域，这样我们就可以把效果只限制在前景或背景上。介绍完深度摄像头后，本章将介绍深度估计的其他技术，即立体成像以及运动结构（Structure from Motion，SfM）。运动结构技术并不需要深度摄像头，相反，这些技术利用一台或多台普通摄像头从多个角度捕捉主体的图像。最后，本章将介绍允许我们从单幅图像提取前景对象的分割技术。本章结尾处，将介绍一些把图像分割成多个深度或多个对象的方法。本章将介绍以下主题：·利用深度摄像头捕捉深度图、点云

在进行图像处理时，你迟早会发现需要转换图像——一般通过应用艺术滤镜、推断某些部分、混合两幅图像，或者任何你能够想到的方法完成。本章将介绍一些可以转换图像的技术。最后，你还能够执行图像锐化、标记主体的轮廓、利用线段检测器检测人行横道。本章将介绍以下主题：·在不同颜色模型之间进行图像转换。·理解频率和傅里叶变换在图像处理中的重要性。·应用高通滤波器（High-Pass Filter，HPF）、低通滤波器（Low-Pass Filter，LPF）、边缘检测滤波器和自定义卷积滤波器。·检测并分析轮

安装OpenCV以及运行示例很有趣，但是在这一阶段，我们希望以自己的方式来尝试一下。本章将介绍OpenCV的I/O功能，还将讨论项目的概念，并开始对该项目进行面向对象设计，并在后续章节中继续对该项目进行充实。首先，我们来看一下I/O的功能和设计模式，我们将以制作三明治的方式构建项目——由外而内。面包切片和涂抹，或者端点和黏合，都是添加馅料和算法之前的工作。之所以选择这种方式是因为计算机视觉通常是外向的——它专注于计算机之外的真实世界——我们希望通过一个共同接口将所有的后续算法工作都应用于真实

第1章安装OpenCV拿起这本教程的时候，你可能就已经对OpenCV有所了解了。你也许在科幻小说中看到过其中的一些功能，比如训练人工智能模型来识别它通过摄像头看到的所有东西。如果这是你的兴趣，那你就不会失望！OpenCV是开源计算机视觉（Open Source Computer Vision）的缩写。这是一个免费计算机视觉库，允许你操作图像和视频来完成各种任务，从显示网络摄像头的视频帧到教机器人识别真实物体。通过本教程，你将学会基于Python编程语言来利用OpenCV的巨大潜力。Pyth