مشخصات کتاب

Learning OpenCV 4 Computer Vision with Python 3: Get to grips with tools, techniques, and algorithms for computer vision and machine learning

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 3 
نویسندگان: Joseph Howse. Joe Minichino  
سری:  
ISBN (شابک) : 1789531616, 9781789531619 
ناشر: Packt Publishing 
سال نشر: 2020 
تعداد صفحات: 364 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 86 مگابایت 

کلمات کلیدی مربوط به کتاب یادگیری OpenCV 4 Computer Vision با پایتون 3: با ابزارها، تکنیک ها و الگوریتم های بینایی کامپیوتر و یادگیری ماشین آشنا شوید.: شبکه های عصبی، بینایی کامپیوتر، پردازش تصویر، OpenCV، پایتون، تشخیص چهره، فیلتر کالمن، واقعیت افزوده، تبدیل فوریه، تقسیم بندی تصویر، تشخیص اشیا

در صورت تبدیل فایل کتاب Learning OpenCV 4 Computer Vision with Python 3: Get to grips with tools, techniques, and algorithms for computer vision and machine learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری OpenCV 4 Computer Vision با پایتون 3: با ابزارها، تکنیک ها و الگوریتم های بینایی کامپیوتر و یادگیری ماشین آشنا شوید. نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب یادگیری OpenCV 4 Computer Vision با پایتون 3: با ابزارها، تکنیک ها و الگوریتم های بینایی کامپیوتر و یادگیری ماشین آشنا شوید.

این کتاب که برای OpenCV 4 و Python 3 به‌روزرسانی شده است، جدیدترین‌های دوربین‌های عمقی، ردیابی سه بعدی، واقعیت افزوده و شبکه‌های عصبی عمیق را پوشش می‌دهد و به شما کمک می‌کند مشکلات بینایی رایانه‌ای در دنیای واقعی را با کدهای عملی حل کنید. ویژگی های کلیدی • با OpenCV 4 و Python 3 برنامه های بینایی کامپیوتری قدرتمند را در کد مختصر بسازید • مفاهیم اساسی پردازش تصویر، طبقه بندی اشیا و ردیابی دوبعدی و سه بعدی را بیاموزید • آموزش، استفاده و درک مدل‌های یادگیری ماشینی مانند ماشین‌های بردار پشتیبانی (SVM) و شبکه‌های عصبی توضیحات کتاب بینایی کامپیوتر علمی است که به سرعت در حال تکامل است و کاربردها و تکنیک های متنوعی را در بر می گیرد. این کتاب نه تنها به کسانی که در حال شروع کار با بینایی کامپیوتر هستند، بلکه به متخصصان این حوزه کمک خواهد کرد. با ساختن اپلیکیشن‌ها با OpenCV 4 و Python 3، می‌توانید تئوری را عملی کنید. شما با درک OpenCV 4 و نحوه تنظیم آن با پایتون 3 در پلتفرم های مختلف شروع می کنید. در مرحله بعد، نحوه انجام عملیات اساسی مانند خواندن، نوشتن، دستکاری، و نمایش تصاویر ثابت، ویدئوها و فید دوربین را یاد خواهید گرفت. این کتاب از پردازش تصویر، تجزیه و تحلیل ویدئو، و تخمین عمق و تقسیم‌بندی گرفته تا کمک به تمرین با ساختن یک برنامه رابط کاربری گرافیکی، تضمین می‌کند که فرصت‌هایی برای فعالیت‌های عملی خواهید داشت. در مرحله بعد، با دو چالش محبوب مقابله خواهید کرد: تشخیص چهره و تشخیص چهره. همچنین با مفاهیم طبقه‌بندی اشیا و یادگیری ماشینی آشنا می‌شوید، که به شما امکان می‌دهد آشکارسازها و طبقه‌بندی‌کننده‌های شی را ایجاد و استفاده کنید، و حتی اشیاء را در فیلم‌ها یا فید دوربین‌های ویدیویی ردیابی کنید. بعداً، مهارت های خود را در ردیابی سه بعدی و واقعیت افزوده توسعه خواهید داد. در نهایت، ANN و DNN را پوشش می‌دهید، یاد می‌گیرید چگونه برنامه‌هایی را برای تشخیص ارقام دست‌نویس و طبقه‌بندی جنسیت و سن افراد ایجاد کنید. در پایان این کتاب، شما مهارت های لازم برای اجرای پروژه های بینایی کامپیوتری در دنیای واقعی را خواهید داشت. آنچه خواهید آموخت • اتصالات پایتون 3 OpenCV 4 را نصب کنید و با آن آشنا شوید • اصول پردازش تصویر و تجزیه و تحلیل ویدئو را درک کنید • از دوربین عمق برای تشخیص مناطق پیش زمینه و پس زمینه استفاده کنید • کشف و شناسایی اشیاء، و ردیابی حرکت آنها در فیلم ها • آموزش و استفاده از مدل های خود را برای مطابقت با تصاویر و طبقه بندی اشیاء • تشخیص و تشخیص چهره ها، و طبقه بندی جنسیت و سن آنها • یک برنامه واقعیت افزوده برای ردیابی تصویر به صورت سه بعدی بسازید • کار با مدل‌های یادگیری ماشین، از جمله SVM، شبکه‌های عصبی مصنوعی (ANN)، و شبکه‌های عصبی عمیق (DNN) این کتاب برای چه کسی است اگر علاقه مند به یادگیری بینایی کامپیوتر، یادگیری ماشین و OpenCV در زمینه برنامه های کاربردی در دنیای واقعی هستید، این کتاب برای شما مناسب است. این کتاب OpenCV همچنین برای افرادی که با بینایی کامپیوتری شروع کرده اند و همچنین برای کارشناسانی که می خواهند با OpenCV 4 و Python 3 به روز بمانند مفید خواهد بود. آشنایی با برنامه نویسی پایتون ضروری است.

توضیحاتی درمورد کتاب به خارجی

Updated for OpenCV 4 and Python 3, this book covers the latest on depth cameras, 3D tracking, augmented reality, and deep neural networks, helping you solve real-world computer vision problems with practical code Key Features • Build powerful computer vision applications in concise code with OpenCV 4 and Python 3 • Learn the fundamental concepts of image processing, object classification, and 2D and 3D tracking • Train, use, and understand machine learning models such as Support Vector Machines (SVMs) and neural networks Book Description Computer vision is a rapidly evolving science, encompassing diverse applications and techniques. This book will not only help those who are getting started with computer vision but also experts in the domain. You'll be able to put theory into practice by building apps with OpenCV 4 and Python 3. You'll start by understanding OpenCV 4 and how to set it up with Python 3 on various platforms. Next, you'll learn how to perform basic operations such as reading, writing, manipulating, and displaying still images, videos, and camera feeds. From taking you through image processing, video analysis, and depth estimation and segmentation, to helping you gain practice by building a GUI app, this book ensures you'll have opportunities for hands-on activities. Next, you'll tackle two popular challenges: face detection and face recognition. You'll also learn about object classification and machine learning concepts, which will enable you to create and use object detectors and classifiers, and even track objects in movies or video camera feed. Later, you'll develop your skills in 3D tracking and augmented reality. Finally, you'll cover ANNs and DNNs, learning how to develop apps for recognizing handwritten digits and classifying a person's gender and age. By the end of this book, you'll have the skills you need to execute real-world computer vision projects. What you will learn • Install and familiarize yourself with OpenCV 4's Python 3 bindings • Understand image processing and video analysis basics • Use a depth camera to distinguish foreground and background regions • Detect and identify objects, and track their motion in videos • Train and use your own models to match images and classify objects • Detect and recognize faces, and classify their gender and age • Build an augmented reality application to track an image in 3D • Work with machine learning models, including SVMs, artificial neural networks (ANNs), and deep neural networks (DNNs) Who this book is for If you are interested in learning computer vision, machine learning, and OpenCV in the context of practical real-world applications, then this book is for you. This OpenCV book will also be useful for anyone getting started with computer vision as well as experts who want to stay up-to-date with OpenCV 4 and Python 3. Although no prior knowledge of image processing, computer vision or machine learning is required, familiarity with basic Python programming is a must.

فهرست مطالب

Cover
Title Page
Copyright and Credits
Dedication
About Packt
Contributors
Table of Contents
Preface
Chapter 1: Setting Up OpenCV
	Technical requirements
	What's new in OpenCV 4
	Choosing and using the right setup tools
		Installation on Windows
			Using a ready-made OpenCV package
			Building OpenCV from source
		Installation on macOS
			Using Homebrew with ready-made packages
			Using Homebrew with your own custom packages
		Installation on Debian, Ubuntu, Linux Mint, and similar systems
			Using a ready-made OpenCV package
			Building OpenCV from source
		Installation on other Unix-like systems
	Running samples
	Finding documentation, help, and updates
	Summary
Chapter 2: Handling Files, Cameras, and GUIs
	Technical requirements
	Basic I/O scripts
		Reading/writing an image file
		Converting between an image and raw bytes
		Accessing image data with numpy.array
		Reading/writing a video file
		Capturing camera frames
		Displaying an image in a window
		Displaying camera frames in a window
	Project Cameo (face tracking and image manipulation)
	Cameo – an object-oriented design
		Abstracting a video stream with managers.CaptureManager
		Abstracting a window and keyboard with managers.WindowManager
		Applying everything with cameo.Cameo
	Summary
Chapter 3: Processing Images with OpenCV
	Technical requirements
	Converting images between different color models
		Light is not paint 
	Exploring the Fourier transform
		HPFs and LPFs
	Creating modules
	Edge detection
	Custom kernels – getting convoluted
	Modifying the application
	Edge detection with Canny
	Contour detection
		Bounding box, minimum area rectangle, and minimum enclosing circle
		Convex contours and the Douglas-Peucker algorithm
	Detecting lines, circles, and other shapes
		Detecting lines
		Detecting circles
		Detecting other shapes
	Summary
Chapter 4: Depth Estimation and Segmentation
	Technical requirements
	Creating modules
	Capturing frames from a depth camera
	Converting 10-bit images to 8-bit
	Creating a mask from a disparity map
	Modifying the application
	Depth estimation with a normal camera
	Foreground detection with the GrabCut algorithm
	Image segmentation with the Watershed algorithm
	Summary
Chapter 5: Detecting and Recognizing Faces
	Technical requirements
	Conceptualizing Haar cascades
	Getting Haar cascade data
	Using OpenCV to perform face detection
		Performing face detection on a still image
		Performing face detection on a video
		Performing face recognition
			Generating the data for face recognition
			Recognizing faces
			Loading the training data for face recognition
			Performing face recognition with Eigenfaces
			Performing face recognition with Fisherfaces
			Performing face recognition with LBPH
			Discarding results based on the confidence score
	Swapping faces in the infrared
		Modifying the application's loop
		Masking a copy operation
	Summary
Chapter 6: Retrieving Images and Searching Using Image Descriptors
	Technical requirements
	Understanding types of feature detection and matching
		Defining features
	Detecting Harris corners
	Detecting DoG features and extracting SIFT descriptors
		Anatomy of a keypoint
	Detecting Fast Hessian features and extracting SURF descriptors
	Using ORB with FAST features and BRIEF descriptors
		FAST
		BRIEF
		Brute-force matching
		Matching a logo in two images
	Filtering matches using K-Nearest Neighbors and the ratio test
	Matching with FLANN
	Performing homography with FLANN-based matches
	A sample application – tattoo forensics
		Saving image descriptors to file
		Scanning for matches
	Summary
Chapter 7: Building Custom Object Detectors
	Technical requirements
	Understanding HOG descriptors
		Visualizing HOG
		Using HOG to describe regions of an image
	Understanding NMS
	Understanding SVMs
	Detecting people with HOG descriptors
	Creating and training an object detector
		Understanding BoW
		Applying BoW to computer vision
			k-means clustering
	Detecting cars
		Combining an SVM with a sliding window
			Detecting a car in a scene
			Saving and loading a trained SVM
	Summary
Chapter 8: Tracking Objects
	Technical requirements
	Detecting moving objects with background subtraction
		Implementing a basic background subtractor
		Using a MOG background subtractor
		Using a KNN background subtractor
		Using GMG and other background subtractors
	Tracking colorful objects using MeanShift and CamShift
		Planning our MeanShift sample
		Calculating and back-projecting color histograms
			Understanding the parameters of cv2.calcHist
			Understanding the parameters of cv2.calcBackProject
		Implementing the MeanShift example
		Using CamShift
	Finding trends in motion using the Kalman filter
		Understanding the predict and update phases
		Tracking a mouse cursor
	Tracking pedestrians
		Planning the flow of the application
		Comparing the object-oriented and functional paradigms
		Implementing the Pedestrian class
		Implementing the main function
		Considering the next steps
	Summary
Chapter 9: Camera Models and Augmented Reality
	Technical requirements
	Understanding 3D image tracking and augmented reality
		Understanding camera and lens parameters
		Understanding cv2.solvePnPRansac
	Implementing the demo application
		Importing modules
		Performing grayscale conversion
		Performing 2D-to-3D spatial conversions
		Implementing the application class
			Initializing the tracker
			Implementing the main loop
			Tracking the image in 3D
			Initializing and applying the Kalman filter
			Drawing the tracking results and masking the tracked object
		Running and testing the application
	Improving the 3D tracking algorithm
	Summary
Chapter 10: Introduction to Neural Networks with OpenCV
	Technical requirements
	Understanding ANNs
		Understanding neurons and perceptrons
		Understanding the layers of a neural network
			Choosing the size of the input layer
			Choosing the size of the output layer
			Choosing the size of the hidden layer
	Training a basic ANN in OpenCV
	Training an ANN classifier in multiple epochs
	Recognizing handwritten digits with an ANN
		Understanding the MNIST database of handwritten digits
		Choosing training parameters for the MNIST database
		Implementing a module to train the ANN
		Implementing a minimal test module
		Implementing the main module
		Trying to improve the ANN's training
		Finding other potential applications
	Using DNNs from other frameworks in OpenCV
	Detecting and classifying objects with third-party DNNs
	Detecting and classifying faces with third-party DNNs
	Summary
Appendix A: Bending Color Space with the Curves Filter
Other Book You May Enjoy
Index

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Understanding computers and cognition

دانلود کتاب Эволюционные нейросети на языке Python

دانلود کتاب Syntactic Pattern Recognition, Applications

دانلود کتاب An Introduction to the Planning Domain Definition Language

دانلود کتاب Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, NLP, and Transformers using TensorFlow

دانلود کتاب Syntactic Pattern Recognition: An Introduction (Applied Mathematics and Computation, vol 14)

دانلود کتاب Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data

دانلود کتاب Association Rule Hiding for Data Mining

دانلود کتاب Problem solving methods in artificial intelligence

دانلود کتاب Design by Evolution - Advances in Evolutionary Design