计算机视觉应用构建：OpenCV与TensorFlow实例

本书首先介绍了图像处理基础知识、构建计算机视觉系统、深度学习与人工神经网络，然后重点阐述了深度学习用于图像识别及目标检测。之后，本书通过多个案例来介绍深度学习在计算机视觉方面的应用，同时探讨了云上计算机视觉建模。特别地，本书通过设问及循序渐进的学习目标，可以让读者深刻领会利用深度学习技术解决计算机视觉问题。

作者简介
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AI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
1.1　Python和PIP 1
1.2　virtualenv 3
1.3　TensorFlow 4
1.4　PyCharm IDE 4
1.5　OpenCV 5
1.6　附加库 6
第2章　图像和视频处理的核心概念 7
2.1　图像处理 7
2.2　图像基础 7
2.3　像素 8
2.4　坐标系 8
2.5　操作图像的Python和OpenCV代码 10
2.6　画图 13
2.7　总结 18
第3章　图像处理技术 19
3.1　图像转换 19
3.2　图像算术运算与位运算 28
3.3　掩码 36
3.4　通道分割与合并 38
3.5　利用平滑处理和模糊处理降噪 40
3.6　阈值二值化 46
3.7　梯度和边缘检测 52
3.8　轮廓 56
3.9　总结 58
第4章　构建基于机器学习的计算机视觉系统 59
4.1　图像处理流水线 59
4.2　特征提取 60
4.3　特征选择 79
4.4　模型训练 80
4.5　模型部署 82
4.6　总结 84
第5章　深度学习与人工神经网络 85
5.1　人工神经网络 85
5.2　TensorFlow 102
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 104
5.4　模型评估 110
5.5　超参数 113
5.6　保存模型和恢复模型 117
5.7　卷积神经网络 121
5.8　总结 135
第6章　深度学习用于目标检测 136
6.1　目标检测 136
6.2　交并比 137
6.3　R-CNN 138
6.4　Fast R-CNN 139
6.5　Faster R-CNN 140
6.6　Mask R-CNN 141
6.7　单发多盒检测 144
6.8　YOLO 148
6.9　YOLO的局限性 150
6.10 目标检测算法的比较 153
6.11 利用TensorFlow训练目标检测模型 155
6.12 利用训练的模型检测目标 171
6.13 用于目标检测的YOLOv3模型训练 182
6.14 利用训练的YOLOv3模型检测目标 190
6.15 总结 194
第7章　实例：视频中的目标跟踪 195
7.1　准备工作环境 196
7.2　读取视频流 197
7.3　加载目标检测模型 199
7.4　检测视频帧中的目标 199
7.5　利用dHash算法为目标创建唯一标识 201
7.6　用汉明距离法计算图像相似度 202
7.7　目标跟踪 202
7.8　在Web浏览器中显示实时视频流 204
7.9　整合 207
7.10 总结 214
第8章　实例：人脸识别 215
8.1　FaceNet及其架构 215
8.2　人脸识别模型的训练 220
8.3　实时人脸识别系统的开发 226
8.4　总结 230
第9章　工业应用：工业制造中的实时缺陷检测 231
9.1　实时表面缺陷检测系统 231
9.2　图像注释 244
9.3　总结 248
第10章　云上计算机视觉建模 249
10.1　TensorFlow分布式训练 250
10.2　TensorFlow分布策略 251
10.3　TF_CONFIG：TensorFlow集群配置 255
10.4　使用参数服务器的分布式训练示例代码 256
10.5　在云上执行分布式训练的步骤 259
10.6　基于谷歌云的分布式训练 260
10.7　基于Azure的分布式训练 267
10.8　基于AWS的分布式训练 275
10.9　总结 285

20多年来，我有幸与一些伟大的数据科学家和计算机视觉专家一起合作。 一路上我学到了很多，尤其是构建大规模计算机视觉系统的最佳实践。在本书中，我介绍了从我自己的个人经历和我有机会与之共事的人的经历中学到的知识。我还介绍了计算机视觉领域一些伟大的贡献者和思想领袖的成果——尽管我还没有机会与他们合作，并在适当的地方引用了他们的作品。
当雇用新的工程师和科学家时，我面临的最大挑战之一是为他们提供系统的培训，以便他们能够在尽可能短的时间内开始在视觉系统开发方面做出贡献。网络上有大量与计算机视觉相关的在线资源和书籍，但鉴于计算机视觉领域广阔而复杂，人们很容易在这些资源和书籍所呈现的成堆信息中迷失。在本书中，我试图用一种结构化和系统化的方法来构建关键概念，并通过示例代码介绍如何开发真实的计算机视觉系统。我希望这可以帮助读者在阅读各章时将要点联系起来。我的目标是让这本书尽可能实用、尽可能便于读者上手。
本书首先介绍了计算机视觉的核心概念，并提供了辅助学习的代码示例。本书前半部分的代码示例主要是用OpenCV和Python编写的。
本书还介绍了机器学习的基本概念，并逐步展示了人工神经网络或深度学习的高级概念。每个概念都辅以实际用例的代码示例。所有与机器学习相关的代码示例都是用Python的TensorFlow编写的。
本书还给出了8个带有代码的计算机视觉实践案例。这些案例来自不同的行业，如医疗保健、安全、监视和制造业。我逐行解释了代码以帮助读者理解代码。本书有3章（第7～9章）专门讨论实际案例。这几章演示了如何从头开始构建视觉系统，包括从图像/视频采集到数据管道构建、模型培训和部署的过程。
训练最先进的计算机视觉模型需要大量的硬件资源，建议在云基础设施上利用最新的硬件资源（如GPU）和即用即付方式训练计算机视觉模型，这在经济上具有优势。最后一章，即第10章，介绍了在3个流行的云基础设施（GCP、AWS和微软Azure）上逐步构建基于机器学习的计算机视觉应用的方法。
虽然本书从基础概念一直介绍到在云上训练模型，但它有一定的先决条件，即具备 Python 编程语言的基础知识。本书旨在帮助在职专业人士、程序员、数据科学家以及本科生和研究生获得使用人工神经网络构建计算机视觉应用程序的实践知识。