ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Opencv: Computer Vision Projects with Python

دانلود کتاب Opencv: پروژه های Computer Vision با پایتون

Opencv: Computer Vision Projects with Python

مشخصات کتاب

Opencv: Computer Vision Projects with Python

دسته بندی: الگوریتم ها و ساختارهای داده ها: پردازش تصویر
ویرایش: 1 
نویسندگان: , ,   
سری:  
ISBN (شابک) : 1787125491, 9781787125490 
ناشر: Packt Publishing 
سال نشر: 2016 
تعداد صفحات: 558 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت

قیمت کتاب (تومان) : 56,000



کلمات کلیدی مربوط به کتاب Opencv: پروژه های Computer Vision با پایتون: یادگیری ماشینی، شبکه‌های عصبی، بینایی کامپیوتری، پردازش تصویر، OpenCV، پایتون، تشخیص چهره، ماشین‌های بردار پشتیبانی، تشخیص تصویر، صحنه‌های سه‌بعدی، استخراج ویژگی، PyGame، واقعیت افزوده، آبشارهای هار، تشخیص ژست‌ها، تشخیص حالت چهره



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Opencv: Computer Vision Projects with Python 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 Opencv: پروژه های Computer Vision با پایتون 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 Opencv: پروژه های Computer Vision با پایتون

با OpenCV آشنا شوید و برنامه های کاربردی بینایی کامپیوتری جالب را به کار بگیرید درباره این کتاب • از اتصالات پایتون OpenCV برای ضبط ویدیو، دستکاری تصاویر و ردیابی اشیا استفاده کنید • در مورد عملکردهای مختلف OpenCV و پیاده سازی واقعی آنها بیاموزید. • یک سری پروژه های متوسط ​​تا پیشرفته را با استفاده از OpenCV و Python توسعه دهید این کتاب برای چه کسی است این مسیر یادگیری برای کسی است که دانش کاری پایتون دارد و می‌خواهد OpenCV را امتحان کند. این مسیر یادگیری شما را از یک مبتدی به یک متخصص در برنامه های بینایی کامپیوتر با استفاده از OpenCV می رساند. برنامه OpenCV بسیار زیاد است و این مسیر یادگیری بهترین منبع برای آشنایی کامل با OpenCV است. آنچه شما یاد خواهید گرفت • OpenCV و نرم افزارهای مرتبط مانند Python، NumPy، SciPy، OpenNI، و SensorKinect را نصب کنید - همه در ویندوز، مک یا اوبونتو • برای شبیه‌سازی ظاهر عکس‌ها، فیلم‌ها یا بازی‌های ویدیویی قدیمی، \"منحنی‌ها\" و سایر تغییر رنگ‌ها را اعمال کنید • اعمال تبدیل های هندسی بر روی تصاویر، انجام فیلتر کردن تصویر، و تبدیل یک تصویر به یک تصویر کارتونی مانند • تشخیص حرکات دست در زمان واقعی و انجام تجزیه و تحلیل شکل دست بر اساس خروجی سنسور کینکت مایکروسافت • بازسازی صحنه سه بعدی دنیای واقعی از حرکت دوربین دوبعدی و تکنیک های رایج بازپخش دوربین • تشخیص و تشخیص علائم خیابان با استفاده از طبقه‌بندی کننده آبشاری و ماشین‌های بردار پشتیبانی (SVM) • شناسایی عبارات احساسی در چهره انسان با استفاده از شبکه‌های عصبی کانولوشنال (CNN) و SVM • مهارت های OpenCV2 خود را تقویت کنید و یاد بگیرید که چگونه از ویژگی های جدید OpenCV3 استفاده کنید در جزئیات OpenCV یک کتابخانه بینایی کامپیوتری پیشرفته است که امکان طیف گسترده ای از عملیات پردازش تصویر و ویدئو را فراهم می کند. OpenCV برای پایتون ما را قادر می سازد تا الگوریتم های بینایی کامپیوتر را در زمان واقعی اجرا کنیم. این مسیر آموزشی پیشنهاد می کند تا موضوعات زیر را آموزش دهد. ابتدا یاد خواهیم گرفت که چگونه با OpenCV و OpenCV3 Python API شروع کنیم و یک برنامه بینایی کامپیوتری ایجاد کنیم که اعضای بدن را ردیابی می کند. سپس، ما برنامه های بینایی کامپیوتری سطح متوسط ​​شگفت انگیزی مانند ناپدید شدن یک شی از تصویر، شناسایی اشکال مختلف، بازسازی یک نقشه سه بعدی از تصاویر، و ساختن یک برنامه واقعیت افزوده خواهیم ساخت، در نهایت، به پروژه های پیشرفته تر خواهیم رفت. مانند تشخیص ژست دست، ردیابی اشیاء برجسته بصری، و همچنین تشخیص علائم راهنمایی و رانندگی و احساسات روی چهره ها به ترتیب با استفاده از ماشین های بردار پشتیبان و پرسپترون های چند لایه. این مسیر یادگیری برخی از بهترین‌هایی را که Packt ارائه می‌دهد در یک بسته کامل و منتخب ترکیب می‌کند. این شامل محتوای محصولات Packt زیر است: • OpenCV Computer Vision با پایتون توسط جوزف هاوس • OpenCV با Python By Example توسط Prateek Joshi • OpenCV با طرح های پایتون توسط مایکل بیلر سبک و رویکرد هدف این دوره ایجاد یک مسیر یادگیری هموار است که به شما یاد می دهد چگونه با OpenCV و API Python OpenCV 3 شروع کنید و برنامه های بینایی کامپیوتری عالی را توسعه دهید. از طریق این دوره جامع، شما یاد خواهید گرفت که برنامه های بینایی کامپیوتری را از ابتدا تا انتها ایجاد کنید و موارد دیگر!


توضیحاتی درمورد کتاب به خارجی

Get savvy with OpenCV and actualize cool computer vision applications About This Book • Use OpenCV's Python bindings to capture video, manipulate images, and track objects • Learn about the different functions of OpenCV and their actual implementations. • Develop a series of intermediate to advanced projects using OpenCV and Python Who This Book Is For This learning path is for someone who has a working knowledge of Python and wants to try out OpenCV. This Learning Path will take you from a beginner to an expert in computer vision applications using OpenCV. OpenCV's application are humongous and this Learning Path is the best resource to get yourself acquainted thoroughly with OpenCV. What You Will Learn • Install OpenCV and related software such as Python, NumPy, SciPy, OpenNI, and SensorKinect - all on Windows, Mac or Ubuntu • Apply "curves" and other color transformations to simulate the look of old photos, movies, or video games • Apply geometric transformations to images, perform image filtering, and convert an image into a cartoon-like image • Recognize hand gestures in real time and perform hand-shape analysis based on the output of a Microsoft Kinect sensor • Reconstruct a 3D real-world scene from 2D camera motion and common camera reprojection techniques • Detect and recognize street signs using a cascade classifier and support vector machines (SVMs) • Identify emotional expressions in human faces using convolutional neural networks (CNNs) and SVMs • Strengthen your OpenCV2 skills and learn how to use new OpenCV3 features In Detail OpenCV is a state-of-art computer vision library that allows a great variety of image and video processing operations. OpenCV for Python enables us to run computer vision algorithms in real time. This learning path proposes to teach the following topics. First, we will learn how to get started with OpenCV and OpenCV3's Python API, and develop a computer vision application that tracks body parts. Then, we will build amazing intermediate-level computer vision applications such as making an object disappear from an image, identifying different shapes, reconstructing a 3D map from images , and building an augmented reality application, Finally, we'll move to more advanced projects such as hand gesture recognition, tracking visually salient objects, as well as recognizing traffic signs and emotions on faces using support vector machines and multi-layer perceptrons respectively. This Learning Path combines some of the best that Packt has to offer in one complete, curated package. It includes content from the following Packt products: • OpenCV Computer Vision with Python by Joseph Howse • OpenCV with Python By Example by Prateek Joshi • OpenCV with Python Blueprints by Michael Beyeler Style and approach This course aims to create a smooth learning path that will teach you how to get started with will learn how to get started with OpenCV and OpenCV 3's Python API, and develop superb computer vision applications. Through this comprehensive course, you'll learn to create computer vision applications from scratch to finish and more!



فهرست مطالب

Cover
Copyright
Credits
Preface
Table of Contents
Module 1: OpenCV Computer Vision with Python
Chapter 1: Setting up OpenCV
	Choosing and using the right setup tools
	Running samples
	Finding documentation, help, and updates
	Summary
Chapter 2: Handling Files, Cameras, and GUIs
	Basic I/O scripts
	Project concept
	An object-oriented design
	Summary
Chapter 3: Filtering Images
	Creating modules
	Channel mixing – seeing in Technicolor
	Curves – bending color space
	Highlighting edges
	Custom kernels – getting convoluted
	Modifying the application
	Summary
Chapter 4: Tracking Faces with Haar Cascades
	Conceptualizing Haar cascades
	Getting Haar cascade data
	Creating modules
	Defining a face as a hierarchy of rectangles
	Tracing, cutting, and pasting rectangles
	Adding more utility functions
	Tracking faces
	Modifying the application
	Summary
Chapter 5: Detecting Foreground/Background Regions and Depth
	Creating modules
	Capturing frames from a depth camera
	Creating a mask from a disparity map
	Masking a copy operation
	Modifying the application
	Summary
Appendix A: Integrating with Pygame
	Installing Pygame
	Documentation and tutorials
	Subclassing managers.WindowManager
	Modifying the application
	Further uses of Pygame
	Summary
Appendix B: Generating Haar Cascades for Custom Targets
	Gathering positive and negative training images
	Finding the training executables
	Creating the training sets and cascade
	Testing and improving 
	Summary
Module 2: OpenCV with Python By Example
Chapter 1: Detecting Edges and Applying Image Filters
	2D convolution
	Blurring
	Edge detection
	Motion blur
	Sharpening
	Embossing
	Erosion and dilation
	Creating a vignette filter
	Enhancing the contrast in an image
	Summary
Chapter 2: Cartoonizing an Image
	Accessing the webcam
	Keyboard inputs
	Mouse inputs
	Interacting with a live video stream
	Cartoonizing an image
	Summary
Chapter 3: Detecting and Tracking Different Body Parts
	Using Haar cascades to detect things
	What are integral images?
	Detecting and tracking faces
	Fun with faces
	Detecting eyes
	Fun with eyes
	Detecting ears
	Detecting a mouth
	It\'s time for a moustache
	Detecting a nose
	Detecting pupils
	Summary
Chapter 4: Extracting Features from an Image
	Why do we care about keypoints?
	What are keypoints?
	Detecting the corners
	Good Features To Track
	Scale Invariant Feature Transform (SIFT)
	Speeded Up Robust Features (SURF)
	Features from Accelerated Segment Test (FAST)
	Binary Robust Independent Elementary Features (BRIEF)
	Oriented FAST and Rotated BRIEF (ORB)
	Summary
Chapter 5: Creating a Panoramic Image
	Matching keypoint descriptors
	Creating the panoramic image
	What if the images are at an angle to each other?
	Summary
Chapter 6: Seam Carving
	Why do we care about seam carving?
	How does it work?
	How do we define \"interesting\"?
	How do we compute the seams?
	Can we expand an image?
	Can we remove an object completely?
	Summary
Chapter 7: Detecting Shapes and Segmenting an Image
	Contour analysis and shape matching
	Approximating a contour
	Identifying the pizza with the slice taken out
	How to censor a shape?
	What is image segmentation?
	Watershed algorithm
	Summary
Chapter 8: Object Tracking
	Frame differencing
	Colorspace based tracking
	Building an interactive object tracker
	Feature based tracking
	Background subtraction
	Summary
Chapter 9: Object Recognition
	Object detection versus object recognition
	What is a dense feature detector?
	What is a visual dictionary?
	What is supervised and unsupervised learning?
	What are Support Vector Machines?
	How do we actually implement this?
	Summary
Chapter 10: Stereo Vision and 3D Reconstruction
	What is stereo correspondence?
	What is epipolar geometry?
	Building the 3D map
	Summary
Chapter 11: Augmented Reality
	What is the premise of augmented reality?
	What does an augmented reality system look like?
	Geometric transformations for augmented reality
	What is pose estimation?
	How to track planar objects?
	How to augment our reality?
	Let\'s add some movements
	Summary
Module 3: OpenCV with Python Blueprints
Chapter 1: Fun with Filters
	Planning the app
	Creating a black-and-white pencil sketch
	Generating a warming/cooling filter
	Cartoonizing an image
	Putting it all together
	Summary
Chapter 2: Hand Gesture Recognition Using a Kinect Depth Sensor
	Planning the app
	Setting up the app
	Tracking hand gestures in real time
	Hand region segmentation
	Hand shape analysis
	Hand gesture recognition
	Summary
Chapter 3: Finding Objects via Feature Matching and Perspective Transforms
	Tasks performed by the app
	Planning the app
	Setting up the app
	The process flow
	Feature extraction
	Feature matching
	Feature tracking
	Seeing the algorithm in action
	Summary
Chapter 4: 3D Scene Reconstruction Using Structure from Motion
	Planning the app
	Camera calibration
	Setting up the app
	Estimating the camera motion from a pair of images
	Reconstructing the scene
	3D point cloud visualization
	Summary
Chapter 5: Tracking Visually Salient Objects
	Planning the app
	Setting up the app
	Visual saliency
	Mean-shift tracking
	Putting it all together
	Summary
Chapter 6: Learning to Recognize Traffic Signs
	Planning the app
	Supervised learning
	The GTSRB dataset
	Feature extraction
	Support Vector Machine
	Putting it all together
	Summary
Chapter 7: Learning to Recognize Emotions on Faces
	Planning the app
	Face detection
	Facial expression recognition
	Putting it all together
Bibliography
Preface.pdf
	_GoBack




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی