OpenCV3的案例
OpenCV3編程入門PDF高清文檔免費下載
OpenCV3編程入門以當前最新版本的OpenCV最常用最核心的組件模塊為索引，深入淺出地介紹了OpenCV2和OpenCV3中的強大功能、性能，以及新特性。書本配套的OpenCV2和OpenCV3雙版本的示例代碼包中，含有總計兩百多個詳細注釋的程序源代碼與思路說明。讀者可以按圖索驥，按技術方向進行快速上手和深入學習。
《OpenCV3編程入門》要求讀者具有基礎的C/C++知識，適合研究計算機視覺以及相關領域的在校學生和老師、初次接觸OpenCV但有一定C/C++編程基礎的研究人員，以及已有過OpenCV 1.0編程經驗，想快速了解并上手OpenCV2、OpenCV3編程的計算機視覺領域的專業人員。《OpenCV3編程入門》也適合于圖像處理、計算機視覺領域的業余愛好者、開源項目愛好者做為通向新版OpenCV的參考手冊之用。
全網最全Python必讀書藉合集（PDF文檔免費下載）
目錄：
第一部分 快速上手OpenCV 1
第1章 邂逅OpenCV 3
第2章 啟程前的認知準備 39
第3章 HighGUI圖形用戶界面初步 63
第二部分 初探core組件 83
第4章 OpenCV數據結構與基本繪圖 85
第5章 core組件進階 107
第三部分 掌握imgproc組件 151
第6章 圖像處理 153
第7章 圖像變換 247
第8章 圖像輪廓與圖像分割修復 303
第9章 直方圖與匹配 345
第四部分 深入feature2d組件 375
第10章 角點檢測 377
第11章 特征檢測與匹配 395
展開 ViCANdo新版本發布（PART3）| OpenCV集成
OpenCV
OpenCV是一個開源（參見http://opensource.org）的計算機視覺庫，OpenCV采用C/C++語言編寫，可以運行在Linux/Windows/Mac等操作系統上，OpenCV也提供了Python、Ruby、Matlab以及其他語言的接口。
OpenCV的目標是為解決計算機視覺問題提供基本工具。----《學習OpenCV（中文版）》Bradski,G., Kaehler,A.
ViCANdo
ViCANdo Suite是針對智能駕駛功能的開發和測試平臺，能夠同步的采集所需的各類數據，同時工具集成OpenCV，工程師可以直接使用OpenCV的相關函數來進行開發。
ViCANdo 具有一個開放的SDK，允許創建自定義接口，還允許將正在開發中的算法用作 ViCANdo 本身的一部分，以非常高的性能執行。通過使用 ViCANSim 中的Matlab/Simulink擴展，或者利用內置仿真引擎進行網絡仿真或視頻算法開發。
ViCANdo Suite直接支持的數據源
? 示例應用：
在ViCANdo內實時車道線識別與實時顯示，通過在ViCANdo內部直接集成車道線識別算法，方便直觀的展示車道線識別算法的識別情況，并利用ViCANdo的擴展功能將識別的車道線、航向等信息與視頻疊加展示，可以方便的進行算法的調試。
在上圖的工程中，我們添加了一路攝像頭采集道路信息，同時用兩路CAN通道采集車輛信息，通過圖像提取車道線信息，同時結合車輛的狀態信息，在圖像上實時疊加顯示識別的車道線信息和車輛的航線信息。
展開 OpenCV圖像處理編程實例PDF文檔高清下載
全網最全Python必讀書藉合集（PDF文檔免費下載）
目錄
Part I 基礎篇 OpenCV 開發基礎. 1
第 1 章初識 OpenCV.. 3
1.1 OpenCV 初識 4
1.1.1 OpenCV 簡介.. 4
1.1.2 OpenCV 組件及架構.. 5
1.1.3 OpenCV 資源.. 9
1.2 VS2012 安裝OpenCV2.4.x .. 9
1.3 VS2013 安裝OpenCV3.0 14
1.4 Sublime 下配置OpenCV. 16
1.5 小結 19
第2 章圖像及視頻基本操作. 20
2.1 圖像初級操作 21
2.1.1 Mat 類 21
2.1.2 Mat 基本操作 23
2.1.3 Mat 類型轉換 24
2.1.4 圖像讀取顯示保存 24
2.1.5 圖像存儲. 26
2.2 圖像幾何變換 28
2.2.1 坐標映射. 28
2.2.2 平移 29
2.2.3 縮放 33
2.2.4 旋轉 36
2.2.5 仿射變換. 40
2.3 視頻操作.. 43
2.3.1 VideoCapture 類.. 43
2.3.2 視頻寫操作 45
2.3.3 視頻質量評價.. 48
2.4 圖像基礎應用操作. 50
2.4.1 界面事件. 50
2.4.2 區域提取. 54
2.4.3 圖像元素遍歷——反色.. 58
2.4.4 單窗口顯示多幅圖像 63
2.4.5 圖像顏色空間轉換 66
2.4.6 圖像批量讀取——規則.. 69
2.4.7 圖像批量讀取——無規則. 70
2.5 小結 71
Part II 進階篇圖像處理技術.. 73
第 3 章進階篇——圖像灰度變換技術. 75
3.1 閾值化處理. 76
3.1.1 OTSU 閾值化 76
3.1.2 固定閾值化 79
3.1.3 自適應閾值化.. 81
3.1.4 雙閾值化
展開 一篇文章就梳理清楚了 Python OpenCV 的知識體系
OpenCV 提供了如下特征檢測方法：
“FAST” FastFeatureDetector；
“STAR” StarFeatureDetector；
“SIFT” SIFT(nonfree module) Opencv3 移除，需調用 xfeature2d 庫；
“SURF” SURF(nonfree module) Opencv3 移除，需調用 xfeature2d 庫；
“ORB” ORB Opencv3
移除,需調用
xfeature2d
庫；
“MSER” MSER；
“GFTT” GoodFeaturesToTrackDetector；
“HARRIS” (配合 Harris detector)；
“Dense” DenseFeatureDetector；
“SimpleBlob” SimpleBlobDetector。
展開 
看芯片是如何幫助邊緣計算落地的
在計算機視覺領域，英特爾預編譯了OpenCV3.3，OpenCV是在計算機視覺領域應用非常廣泛的函數庫，這個函數庫跟英特爾的淵源很深，最早是由該公司的工程師開發的，后來變成開源的項目，由俄羅斯的一家公司維護。幾年前英特爾收購了這家公司，現在它是英特爾物聯網事業部的一部分。據悉，該公司有很多OpenCV專家，他們繼續在英特爾的硬件平臺上對OpenCV進行優化，而這些優化的結果就集成在OpenVINO工具里。因此，選用OpenVINO的話，既能對深度學習進行加速，也能對傳統計算機視覺加速。
在與客戶的合作方面，張宇表示，除了做硬件和軟件產品的開發以外，我們還積極跟合作伙伴一起去構建邊緣計算的解決方案，如跟阿里云合作，在重慶跟當地的金屬加工廠一起利用OpenVINO和人工智能加速器，做了一個對金屬件缺陷檢測的方案。利用這樣的檢測方案，可以把漏檢率和誤檢率降低80%，同時檢測效率大大提升。在整個解決方案里，我們通過機械臂去抓取被檢測的工件，把它移動到檢測的攝像頭面前，轉到不同的角度，在每一個角度拍攝相應的圖片，這個圖片會在邊緣的網關設備上進行基于人工智能的處理，通過這樣的處理，我們能夠發現產品里的一些缺陷。
在推動邊緣計算發展以及產業合作方面，英特爾持較為開放的態度，英特爾副總裁兼物聯網事業部中國區總經理陳偉先生表示，我們的芯片可以用在終端、邊緣，也可以用在云，但這并不等于說整個端到端的所有芯片都由英特爾一家提供。比如我們在做的VPU，在攝像機上能夠加上視頻分析加速器，這是英特爾的產品，但攝像機還會用到很多家公司的芯片。過去，計算發生在云端，大家容易理解，因為數據在哪兒，計算就在哪。
展開 OpenCV編程案例詳解PDF高清文檔下載
OpenCV是英特爾（Intel）公司發起的一個開源應用平臺，借助該平臺能夠開發高效的計算機視覺應用項目。
《OpenCV編程案例詳解》以實例介紹了如何使用OpenCV構建計算機視覺系統，《OpenCV編程案例詳解》的系統主要包括常用函數介紹類系統和應用類系統兩類。常用函數介紹類系統以介紹函數的使用為主。在這類系統中主要介紹了常用OpenCV函數的使用方法，并對這些函數進行了不同形式的參數調用。應用類系統嘗試解決一些實際問題，用最簡單的方法實現一個學習系統，讓讀者能夠了解該類系統的主要算法、解決問題的基本思路，同時能夠更深入地了解如何更好地使用OpenCV處理實際問題。《OpenCV編程案例詳解》各章的內容相對獨立，因此不需要按照順序從第1章開始閱讀，讀者可以自由選擇自己感興趣的內容來學習。
《OpenCV編程案例詳解》中的全部系統均以當前的最新版本OpenCV 3.0版本進行介紹。《OpenCV編程案例詳解》在處理問題時，盡量屏蔽了無關的細節，即將OpenCV作為一個黑盒來使用。
《OpenCV編程案例詳解》提供的教學系統能夠讓讀者快速掌握計算機視覺的相關知識，盡快掌握圖像處理的相關算法和系統構建，讓圖像處理的零基礎入門開發者能夠盡快成為一名從業人員。《OpenCV編程案例詳解》提供的學習系統均含有詳細的注釋，讀者能夠在具有一定C++開發基礎、圖像處理零基礎的情況下完全自主地進行自學。《OpenCV編程案例詳解》能夠為在校學生、教師、入門者、專業人員、愛好者等不同身份的讀者提供參考。
展開 無需GPU，用OpenCV和Python實現圖/視頻風格遷移
開始神經風格遷移
接下來讓我們用OpenCV和Python進行神經風格遷移的實踐。
首先打開neural_style_transfer.py文件，插入如下代碼：
我們導入所需的包并解析命令行參數。
導入的有：
imutils：這個包可以通過pip install --upgrade imutils安裝。最近我發布了imutils==0.5.1，所以不要忘記更新！
OpenCV：你需要一個OpenCV 3.4或者更高版本。
該腳本下需要兩個命令行：
--model：神經風格遷移的模型路徑。在“下載”區中，我加入了11中經過與訓練的模型。
--image：需要進行風格遷移的圖像（輸入圖像）。在其中我放入了四張圖片。
你不需要改變命令行代碼，參數會在運行過程中進行處理。如果你不熟悉這一過程，可以閱讀我另一篇文章：www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/
接下來的部分比較有趣，我們要下載圖像和模型，然后計算神經風格遷移：
在這部分代碼中，我們進行了：
將下載的預訓練神經風格遷移模型稱為net（第17行）；
下載輸入圖像并調整尺寸（21和22行）；
用均值減法創建blob（27和28行）；
執行forward，獲取output圖像（31行）。
展開 當AI侵入嵌入式設計......
用來學習、開發Python、OpenCV和AI深度學習、ROS自動控制等應用都是可行的。
給Jetson Nano安裝攝像頭，包括前文提到的CSI接口的，也可以是USB接口的。JetPack有內置OpenCV開發環境，配合CSI攝像頭可以從攝像頭輸入，來實現一些基礎的機器視覺應用；包括對輸入圖像尺寸做放大插值、旋轉等；更高級的比如說追蹤畫面中特定顏色的對象、邊緣檢測、人臉追蹤/眼睛追蹤。
來源：NVIDIA英偉達企業解決方案
以邊緣檢測為例，執行過程大致上是首先將畫面轉為HSV灰度圖像；然后對HSV灰度圖進行高斯模糊處理——這一步是為了對畫面進行降噪；最后為圖像找出邊緣線條。整個過程調用幾個函數即可，如上圖所示。執行過程與結果大致如下：
這是比較常見的機器視覺應用。再來看看真正利用了AI的應用，利用OpenCV庫和Python3開發環境來實現人臉識別，公司打卡、點名系統之類的就需要此類功能。利用face_recognition這個Python人臉識別庫就能搞定，這是基于dlib機器學習開源算法庫實現的，函數調用比較簡單。
這個庫的face_locations方法就能找到圖像中人臉的位置，藉由OpenCV將框畫到原圖上并顯示結果。代碼如下圖所示，這個例子是對圖片中的人臉進行定位，套個while循環就能讀取視頻了。
在人臉定位后，還需要與人臉特征庫進行比對，完成身份識別這里不再展開，有興趣的同學可以去看英偉達官微針對Jetson Nano 2G的系列文章更新。就這個上手AI開發的過程，還是相當輕盈和方便。
值得一提的是，若要體現性能和生態方面的優越性，實際上JetPack安裝好以后，就能找到一些CUDA sample。
展開 