计算机视觉案例教程

" 注重基础知识和技能的系统性。作者深入研究了国内外知名课程平台上计算机视觉类课程，提炼出了这些课程中的共性知识与技能。本书内容既有图像处理的入门知识，又有结合经典机器学习的应用案例，还有与卷积神经网络紧密结合的应用案例。  注重综合案例的工程化水平。书中部分案例已不是“玩具”案例，作者努力把部分中大型项目中的关键技巧写出来。  注重总结和对比。这使得本书既适合入门，又适合有一定基础的学生进行章节选读。  注重内涵和细节。书中有足够的“干货”，例如，结合可靠的应用研究者的研究结论，GPU在应用项目中的使用等。  本书结构体例采用案例式写法，但如果仅写案例，则容易造成基础知识、基本技能的不系统，所以作者在每章的知识链接中对相关基础知识和技能进行了较系统的阐述，同时又不会过分偏离案例主题。在写作案例时，不仅有翔实的步骤，还重视解题思路研究和难点剖析，强调代码不同部分之间的联系，注重逻辑的完备性。"

计算机视觉是一门研究和应用学科，它研究如何使用计算机来处理和理解图像与视频，该研究领域涵盖了从图像采集和处理到图像分析和识别等多项技术。它的目标是使计算机能够像人类一样理解视觉信息，并且能够自动执行视觉任务。本书是一本以应用为导向的计算机视觉案例教材，全书共分11章。第1章讲述计算机视觉概述；第2章讲述系统环境搭建；第3章主要讲述图像处理基础；第4章主要讲述图像滤波；第5章讲述图像特征提取和匹配；第6章讲述图像分割基础；第7章讲述基于经典机器学习的图像分类；第8章讲述基于全连接网络和卷积神经网络的图像分类基础；第9章讲述基于卷积神经网络的图像分类程序的规范写法；第10章讲述基于YOLO的目标检测和物体追踪；第11章讲述基于深度学习的人脸检测、人脸识别和表情识别。前7章主要讲述必要的理论基础和基于经典机器学习的计算机视觉；后4章主要讲述基于深度学习的计算机视觉。学习本书学生有必要的Python基础知识即可，无须事先学习深度学习课程，优选具备一定的机器学习基础。本书希望做到：知识技能较系统，写法深入浅出，案例有较好的实用性；能帮助学生入门，能帮助学生树立解决问题的信心。

刘小华，深职院人工智能学院软件技术专业主任，主要从事人工智能技术的教学和科研工作。开发的软件系统从2004年起在深职院使用至今，累计承担省、市、校各级教学科研课题十余项，发表EI检索及核心期刊论文多篇，获得发明专利授权一项。指导学生参加技能大赛获省一等奖以上十余次，获百度人工智能菁英班优秀指导教师等荣誉称号多次。曾承担深圳大学SPOC课程制作。2020年开发的全英文课程上线"学堂在线”国际版。

第1章计算机视觉概述1
1.1从人类视觉系统到计算机视觉1
1.2计算机视觉与人工智能7
1.3计算机视觉应用9
1.4课后习题13
1.5本章小结15
第2章系统环境搭建16
2.1项目1搭建计算机视觉应用开发的系统环境16
2.2课后习题35
2.3本章小结35
第3章图像处理基础36
3.1项目2把logo贴到大图右下角36
3.2课后习题61
3.3本章小结64
第4章图像滤波65
4.1项目3交通视频中的车道线检测和绘制65
4.2课后习题102
4.3本章小结106
第5章图像特征提取和匹配107
5.1项目4基于特征提取的logo定位107
5.2课后习题120
5.3本章小结121
第6章图像分割基础122
6.1项目5数独图像中题干已知数字的分割122
6.2课后习题142
6.3本章小结144
第7章使用经典机器学习方法的目标检测和图像分类145
7.1项目6使用SVM完成图片中的多车检测145
7.2项目7使用KNN识别印刷体数字157
7.3课后习题165
7.4本章小结166
第8章基于深度学习的图像分类基础167
8.1项目8基于全连接网络的图像分类167
8.2项目9基于卷积神经网络（CNN）的图像分类187
8.3课后习题197
8.4本章小结199
第9章复杂深度学习项目的规范写法200
9.1项目10基于本地数据的猫狗图像分类200
9.2课后习题232
9.3本章小结232
第10章基于深度学习的物体追踪233
10.1项目11基于YOLOv3的行人追踪233
10.2课后习题246
10.3本章小结247
第11章基于深度学习的人脸相关应用248
11.1项目12人脸检测、人脸识别和表情识别248
11.2课后习题295
11.3本章小结296
附录A：术语表297
附录B：基于Ubuntu操作系统和CPU的系统环境搭建300
附录C：基于Ubuntu操作系统和GPU的系统环境搭建303
附录D：CPU下的TensorFlow和Python版本对应关系311
附录E：GPU下的TensorFlow、Python、CUDA和cuDNN版本对应关系313