OpenCV

人脸检测技术已被广泛应用,成为智能设备的基础。主流方法有两种:1.HOG+SVM。如dlib,模型简单,速度快,但准确率一般。 2.神经网络。如SSD、YOLO,检测精度高,速度很快等。

在本文中，将了解如何生成OpenCV-Python bindings，如何将新的OpenCV模块扩展到Python中等内容

在本文中，将学习级联分类器的训练过程，学习函数opencv_createsamples，opencv_annotation ，opencv_traincascade等

在本文中， 将学习Haar级联对象检测的工作原理，将使用基于Haar Feature的Cascade分类器了解人脸检测和眼睛检测的基础。

在本文中，将学习 了解如何根据曝光顺序生成和显示HDR图像，使用曝光融合来合并曝光序列。 高动态范围成像（High-dynamic-range imaging，HDRI或HDR）。

在本文中， 将学习用于去除图像中噪声的非局部均值去噪算法。学习不同的函数 cv2.fastNlMeansDenoising()，cv2.fastNlMeansDenoisingColored()等用法

在本文中， 将学习通过 inpainting的方法清除旧照片中的小噪音等 学习OpenCV中的修复函数。大多数人的家里都会有一些旧化的照片，上面可能有黑点、折痕、笔画等，是可以通过算法进行修复。

了解如何在OpenCV中使用cv2.kmeans()函数进行数据聚类，理解函数的输入参数及输出参数。

在本文中，将了解 K-Means聚类的概念以及其工作原理等。本文将以一个常用的例子来处理这个问题。 T-shirt尺寸问题，假设一家公司将向市场发布新型号的T恤，将不得不制造不同尺寸的模型。

使用SVM进行手写体OCR识别。在本文中，将学习使用SVM算法实现手写体OCR识别，在KNN中，直接使用像素强度作为特征向量；在SVM中，将使用方向梯度直方图（HOG）作为特征。

在本文中，将学习直观理解SVM 理论，线性可分数据 给定下面的图像，它具有两种数据类型——红色和蓝色。在kNN算法中，对于测试数据，用来测量其与所有训练样本的距离，并以最小的距离区分。

在本章中，将学习使用kNN来构建基本的OCR应用程，使用OpenCV自带的数字和字母数据集。手写数字的OCR 目标是构建一个可以读取手写数字的应用程序。

在本章中，将理解 k最近邻（kNN）算法的概念及理论，kNN是可用于监督学习的最简单的分类算法之一。这个想法是在特征空间中搜索测试数据的最近邻

在本节中，将学习根据立体图像创建深度图。在上一节中，看到了对极约束和其他相关术语等基本概念。如果有两个场景相同的图像，则可以通过直观的方式从中获取深度信息。

在本节中， 将学习 多视图几何的基础知识，了解什么是极点(epipole)，极线，极线约束等。当使用针孔相机拍摄图像时，会失去一些重要信息，即图像深度

在本章中将学习利用calib3d模块在图像中创建一些3D效果，在上一节相机校准中，了解了相机矩阵、失真系数等。给定图案图像，可以利用以上信息来计算其姿势或物体在空间中的位置。

在本文中，将学习由相机引起的失真类型 如何找到相机的固有和非固有特性，如何基于这些特性使图像不失真。两种主要的变形： 径向变形和切向变形

在本章中，将学习 使用 Lucas-Kanade 方法理解光流的概念及其使用cv2.calcOpticalFlowPyrLK()等函数来跟踪视频中的特征点

在本文中，将学习用于跟踪视频中对象的Meanshift和Camshift算法，二者都能用于视频对象跟踪

在本文中将学习： 背景分离(Background Subtraction) ，函数cv2.VideoCapture， cv2.BackgroundSubtractor