OpenCV 3计算机视觉-Python语言实现-(原书第2版)

第1章　安装opencv

1.1　选择和使用合适的安装工具

1.1.1　在windows上安装

1.1.2　在os x系统中安装

1.1.3　在ubuntu及其衍生版本中安装

1.1.4　在其他类unix系统中安装

1.2　安装contrib模块

1.3　运行示例

1.4　查找文档、帮助及更新

1.5　总结

第2章　处理文件、摄像头和图形用户界面

2.1　基本i/o脚本

2.1.1　读/写图像文件

2.1.2　图像与原始字节之间的转换

2.1.3　使用numpy.array访问图像数据

2.1.4　视频文件的读/写

2.1.5　捕获摄像头的帧

2.1.6　在窗口显示图像

2.1.7　在窗口显示摄像头帧

2.2　cameo项目（人脸跟踪和图像处理）

2.3　cameo—面向对象的设计

2.3.1　使用managers. capturemanager提取视频流

2.3.2　使用managers.windowmanager抽象窗口和键盘

2.3.3　cameo.cameo的强大实现

2.4　总结

第3章　使用opencv 3处理图像

3.1　不同色彩空间的转换

3.2　傅里叶变换

3.2.1　高通滤波器

3.2.2　低通滤波器

3.3　创建模块

3.4　边缘检测

3.5　用定制内核做卷积

3.6　修改应用

3.7　canny边缘检测

3.8　轮廓检测

3.9　边界框、最小矩形区域和最小闭圆的轮廓

3.10　凸轮廓与douglas-peucker算法

3.11　直线和圆检测

3.11.1　直线检测

3.11.2　圆检测

3.12　检测其他形状

3.13　总结

第4章　深度估计与分割

4.1　创建模块

4.2　捕获深度摄像头的帧

4.3　从视差图得到掩模

4.4　对复制操作执行掩模

4.5　使用普通摄像头进行深度估计

4.6　使用分水岭和grabcut算法进行物体分割

4.6.1　用grabcut进行前景检测的例子

4.6.2　使用分水岭算法进行图像分割

4.7　总结

第5章　人脸检测和识别

5.1　haar级联的概念

5.2　获取haar级联数据

5.3　使用opencv进行人脸检测

5.3.1　静态图像中的人脸检测

5.3.2　视频中的人脸检测

5.3.3　人脸识别

5.4　总结

第6章　图像检索以及基于图像描述符的搜索

6.1　特征检测算法

6.1.1　特征定义

6.1.2　使用dog和sift进行特征提取与描述

6.1.3　使用快速hessian算法和surf来提取和检测特征

6.1.4　基于orb的特征检测和特征匹配

6.1.5　orb特征匹配

6.1.6　k-最近邻匹配

6.1.7　flann匹配

6.1.8　flann的单应性匹配

6.1.9　基于文身取证的应用程序示例

6.2　总结

第7章　目标检测与识别

7.1　目标检测与识别技术

7.1.1　hog描述符

7.1.2　检测人

7.1.3　创建和训练目标检测器

7.2　汽车检测

7.2.1　代码的功能

7.2.2　svm和滑动窗口

7.3　总结

第8章　目标跟踪

8.1　检测移动的目标

8.2　背景分割器：knn、mog2和gmg

8.2.1　均值漂移和camshift

8.2.2　彩色直方图

8.2.3　返回代码

8.3　camshift

8.4　卡尔曼滤波器

8.4.1　预测和更新

8.4.2　范例

8.4.3　一个基于行人跟踪的例子

8.4.4　pedestrian类

8.4.5　主程序

8.5　总结

第9章　基于opencv的神经网络简介

9.1　人工神经网络

9.2　人工神经网络的结构

9.2.1　网络层级示例

9.2.2　学习算法

9.3　opencv中的ann

9.3.1　基于ann的动物分类

9.3.2　训练周期

9.4　用人工神经网络进行手写数字识别

9.4.1　mnist—手写数字数据库

9.4.2　定制训练数据

9.4.3　初始参数

9.4.4　迭代次数

9.4.5　其他参数

9.4.6　迷你库

9.4.7　主文件

9.5　可能的改进和潜在的应用

9.5.1　改进

9.5.2　应用

9.6　总结