计算机视觉原理与实践

目 录 第1章 概述1 1.1 什么是计算机视觉1 1.2 计算机视觉的发展史3 第2章 OpenCV图像基本操作6 2.1 如何使用OpenCV6 2.2 图像的基础操作8 2.2.1 图像的基本表示方法8 2.2.2 图像的读取、显示和存储11 2.2.3 视频序列的读取和存储16 2.2.4 图像像素的处理与访问20 2.2.5 获取图像属性23 2.2.6 图像RoI23 2.2.7 图像通道的拆分与合并25 2.3 图像的几何变换28 2.3.1 图像缩放28 2.3.2 图像翻转30 2.3.3 图像仿射变换31 2.3.4 图像透视34 2.4 图像的算术运算35 2.4.1 图像的加法运算35 2.4.2 图像的加权和运算37 2.4.3 图像的按位逻辑运算38 第3章 深度学习与计算机视觉42 3.1 深度学习概述42 3.1.1 深度学习的概念42 3.1.2 深度学习的发展历程42 3.2 卷积神经网络45 3.2.1 卷积神经网络的研究历史与意义45 3.2.2 卷积神经网络的基本结构46 3.2.3 卷积神经网络的工作原理48 3.2.4 卷积神经网络的发展趋势49 3.2.5 实验—机器人识别你的字50 3.3 基于深度学习的计算机视觉56 3.3.1 计算机视觉与深度学习的关系56 3.3.2 计算机视觉和深度学习发展的加速器—GPU58 3.3.3 计算机视觉与深度学习的基础与研究方向59 3.4 深度学习的实现框架TensorFlow60 3.4.1 TensorFlow简介60 3.4.2 TensorFlow环境的搭建60 3.4.3 TensorFlow计算模型—计算图68 3.4.4 TensorFlow数据模型—张量70 3.4.5 TensorFlow运行模型—会话74 第4章 图像分类76 4.1 定义与应用场景76 4.2 实现方法77 4.3 常用数据集80 4.4 实验—机器人看图识物82 4.5 实验—机器人识别人脸表情100 第5章 目标检测112 5.1 定义与应用场景112 5.2 实现方法113 5.2.1 基于候选区域的目标检测算法114 5.2.2 基于直接回归的目标检测算法119 5.3 常用数据集122 5.4 实验—机器人捕捉人脸并识别123 5.5 实验—无人驾驶中的目标检测141 第6章 图像分割146 6.1 定义与应用场景146 6.2 实现方法147 6.2.1 基于特征编码的模型147 6.2.2 基于区域选择的模型148 6.2.3 基于上采样/反卷积的模型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 常用数据集152 6.4 实验—无人驾驶场景感知153 第7章 场景文字识别165 7.1 定义与应用场景165 7.2 实现方法167 7.2.1 传统方法时期167 7.2.2 深度学习方法时期167 7.3 常用数据集170 7.4 实验—无人值守车牌识别机器人171 第8章 人体关键点检测179 8.1 定义与应用场景179 8.1.1 人体关键点检测的定义179 8.1.2 人体关键点检测的应用场景180 8.2 实现方法182 8.2.1 自顶向下183 8.2.2 自底向上184 8.3 常用数据集186 8.3.1 MPII数据集187 8.3.2 MSCOCO数据集188 8.4 实验—姿态识别互动机器人189 第9章 图像生成194 9.1 定义与应用场景194 9.1.1 图像生成的定义194 9.1.2 图像生成的应用195 9.2 实现方法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 常用数据集200 9.4 实验—机器人书法学习200 第10章 视觉交互机器人212 10.1 实验目的212 10.2 实验背景212 10.3 实验原理212 10.4 实验环境215 10.5 实验步骤215 10.5.1 利用CNN主流架构的mini_Xception训练情感分类215 10.5.2 视觉交互机器人综合实验221 第11章 无人驾驶的自动巡线228 11.1 实验目的228 11.2 实验背景228 11.3 实验原理230 11.4 实验环境231 11.5 实验步骤231 11.5.1 数据准备231 11.5.2 网络设计231 11.5.3 模型训练237 11.5.4 模型测试243