计算机视觉应用构建 OpenCV与TensorFlow实例

本书采用实用且循序渐进的方法，介绍如何将计算机视觉和机器学习概念应用于商业开发和工业应用。当读完本书并完成代码示例后，读者将获得基于深度学习技术开发计算机视觉应用的能力。 通过阅读本书，读者将能够： 运用图像处理和特征提取方法。 在计算机视觉应用开发中使用各种深度学习算法。 训练、管理和调整CNN及R-CNN、SSD和YOLO等目标检测模型的超参数。 使用Keras和TensorFlow建立神经网络模型。 发现在商业和工业中实施计算机视觉应用时的很好实践。 在基于GPU的云基础设施上训练分布式模型。

沙姆沙德·安萨里（Shamshad Ansari）是人工智能自动化公司Accure的创始人、总裁兼首席执行官。他比较擅长计算机视觉、机器学习、人工智能、认知科学、自然语言处理和大数据等技术，设计并开发了自动化Al解决方案开发平台Momentum。同时，他还是一名发明家，在人工智能和计算认知领域拥有4项美国专利。 沙姆沙德·安萨里曾担任IBM的高级软件工程师、Orbit Solutions的工程副总裁，以及Apixio的首席架构师和工程总监。

译者序
前言
致谢
第1章 前提条件和软件安装
1.1 Python和PIP
1.2 virtualenv
1.3 TensorFlow
1.4 PyCharm IDE
1.5 OpenCV
1.6 附加库
第2章 图像和视频处理的核心概念
2.1 图像处理
2.2 图像基础
2.3 像素
2.4 坐标系
2.5 操作图像的Python和OpenCV代码
2.6 画图
2.7 总结
第3章 图像处理技术
3.1 图像转换
3.2 图像算术运算与位运算
3.3 掩码
3.4 通道分割与合并
3.5 利用平滑处理和模糊处理降噪
3.6 阈值二值化
3.7 梯度和边缘检测
3.8 轮廓
3.9 总结
第4章 构建基于机器学习的计算机视觉系统
4.1 图像处理流水线
4.2 特征提取
4.3 特征选择
4.4 模型训练
4.5 模型部署
4.6 总结
第5章 深度学习与人工神经网络
5.1 人工神经网络
5.2 TensorFlow
5.3 第一个使用深度学习的计算机视觉模型：手写数字分类
5.4 模型评估
5.5 超参数
5.6 保存模型和恢复模型
5.7 卷积神经网络
5.8 总结
第6章 深度学习用于目标检测
6.1 目标检测
6.2 交并比
6.3 R-CNN
6.4 Fast R-CNN
6.5 Faster R-CNN
6.6 Mask R-CNN
6.7 单发多盒检测
6.8 YOLO
6.9 YOLO的局限性
6.10 目标检测算法的比较
6.11 利用TensorFlow训练目标检测模型
6.12 利用训练的模型检测目标
6.13 用于目标检测的YOLOv3模型训练
6.14 利用训练的YOLOv3模型检测目标
6.15 总结
第7章 实例：视频中的目标跟踪
7.1 准备工作环境
7.2 读取视频流
7.3 加载目标检测模型
7.4 检测视频帧中的目标
7.5 利用dHash算法为目标创建专享标识
7.6 用汉明距离法计算图像相似度
7.7 目标跟踪
7.8 在Web浏览器中显示实时视频流
7.9 整合
7.10 总结
第8章 实例：人脸识别
8.1 FaceNet及其架构
8.2 人脸识别模型的训练
8.3 实时人脸识别系统的开发
8.4 总结
第9章 工业应用：工业制造中的实时缺陷检测
9.1 实时表面缺陷检测系统
9.2 图像注释
9.3 总结
第10章 云上计算机视觉建模
10.1 TensorFlow分布式训练
10.2 TensorFlow分布策略
10.3 TF_CONFIG：TensorFlow集群配置
10.4 使用参数服务器的分布式训练示例代码
10.5 在云上执行分布式训练的步骤
10.6 基于谷歌云的分布式训练
10.7 基于Azure的分布式训练
10.8 基于AWS的分布式训练
10.9 总结