本书主要面向OpenCV领域的研究与开发人员,采用原理结合实战的方式,介绍OpenCV 4的机器学习算法模块与深度神经网络模块中的核心算法原理与C++编程实战。全书共10章, 第1~3章, 介绍OpenCV 4的基础知识、基本图像操作和机器学习基础知识;第4~8章,介绍K-means、KNN、决策树、随机森林、Boosting算法和支持向量机等机器学习算法与编程实战;第9~10章,介绍神经网络与深度神经网络的基本原理与编程实战,并提供了不同深度学习模型的部署示例代码。

第1章 概述1 1.1 OpenCV简述1 1.2 OpenCV的功能1 1.3 OpenCV中的机器学习与深度神经网络模块2 1.4 基本数据类型2 1.4.1 数据类型概述2 1.4.2 cv::Vec类3 1.4.3 cv::Point类6 1.4.4 cv::Scalar类8 1.4.5 cv::Size类9 1.4.6 cv::Rect类9 1.4.7 cv::RotatedRect类13 1.4.8 cv::Mat类14 1.4.9 基本矩阵运算19 参考文献22 第2章 OpenCV在机器学习任务中的基本图像操作23 2.1 基本图像操作23 2.1.1 读取、显示和存储图像23 2.1.2 颜色空间转换30 2.1.3 图像的几何变换36 2.1.4 直方图均衡化49 2.1.5 标注文字和矩形框57 2.2 基本视频操作60 2.2.1 读取和播放视频文件61 2.2.2 处理视频文件62 2.2.3 存储视频文件65 参考文献67 第3章 机器学习的基本原理与OpenCV机器学习模块69 3.1 机器学习的基本概念69 3.1.1 机器学习的定义69 3.1.2 机器学习的分类70 3.2 机器学习的一般流程73 3.2.1 机器学习流程73 3.2.2 数据集74 3.2.3 偏差与方差77 3.2.4 评估分类器性能的方法79 3.3 逻辑回归分类示例80 3.3.1 图像数据与数据表示81 3.3.2 逻辑回归模型82 3.3.3 逻辑回归的损失函数83 3.4 OpenCV支持的机器学习算法84 3.4.1 机器学习模块的结构84 3.4.2 机器学习模块中的算法85 3.4.3 数据集准备87 3.4.4 特征选择88 参考文献89 第4章 K-means和KNN90 4.1 算法原理90 4.1.1 K-means原理90 4.1.2 KNN原理92 4.2 OpenCV实现95 4.2.1 K-means的实现95 4.2.2 KNN的实现97 4.3 应用示例99 4.3.1 K-means聚类示例99 4.3.2 KNN手写数字识别示例106 4.3.3 应用提示112 参考文献113 第5章 决策树114 5.1 决策树原理114 5.1.1 决策树的基本思想114 5.1.2 决策树的表示方法114 5.1.3 *佳切分属性的选择116 5.1.4 停止标准123 5.1.5 剪枝123 5.2 OpenCV实现123 5.2.1 创建决策树123 5.2.2 训练决策树126 5.2.3 使用决策树预测127 5.3 应用示例129 5.3.1 蘑菇可食性分类129 5.3.2 预测波士顿房价135 5.3.3 应用提示142 参考文献142 第6章 随机森林143 6.1 随机森林原理143 6.1.1 随机森林的基本思想143 6.1.2 Bagging算法143 6.2 OpenCV实现146 6.2.1 OpenCV中的随机森林146 6.2.2 创建随机森林147 6.2.3 训练随机森林148 6.2.4 使用随机森林预测148 6.3 应用示例148 6.3.1 蘑菇可食性分类149 6.3.2 预测波士顿房价153 6.3.3 应用提示158 参考文献158 第7章 Boosting算法159 7.1 Boosting算法原理159 7.1.1 Boosting算法的基本思想159 7.1.2 Boosting算法159 7.1.3 AdaBoost算法160 7.2 OpenCV实现164 7.2.1 创建AdaBoost模型164 7.2.2 训练AdaBoost模型166 7.2.3 使用AdaBoost模型预测166 7.3 应用示例166 7.3.1 蘑菇可食性分类167 7.3.2 英文字母分类问题169 7.3.3 应用提示174 参考文献174 第8章 支持向量机175 8.1 支持向量机原理175 8.1.1 统计学习理论概述175 8.1.2 线性SVM算法基本原理179 8.1.3 非线性SVM算法的基本原理190 8.1.4 SVM回归算法的基本原理192 8.1.5 SVM算法执行SRM准则的解释194 8.2 OpenCV实现195 8.2.1 OpenCV中的SVM算法195 8.2.2 创建SVM模型197 8.2.3 训练SVM模型199 8.2.4 使用SVM模型预测202 8.3 应用示例203 8.3.1 使用HOG特征与SVM算法识别手写数字203 8.3.2 应用提示213 参考文献214 第9章 神经网络215 9.1 神经网络算法原理215 9.1.1 神经网络的结构与表示216 9.1.2 单隐层前馈神经网络220 9.1.3 多隐层前馈神经网络222 9.1.4 梯度下降法225 9.1.5 反向传播算法229 9.2 OpenCV实现234 9.2.1 OpenCV中的MLP算法234 9.2.2 创建MLP模型235 9.2.3 训练MLP模型237 9.2.4 使用MLP模型预测239 9.3 应用示例239 9.3.1 使用神经网络识别手写数字239 9.3.2 应用提示251 参考文献251 第10章 深度神经网络252 10.1 卷积神经网络的基本原理253 10.1.1 卷积神经网络的结构254 10.1.2 卷积层255 10.1.3 池化262 10.1.4 Softmax层263 10.1.5 CNN特征学习的过程263 10.1.6 CNN特征学习的原理266 10.2 OpenCV的DNN模块268 10.2.1 OpenCV支持的深度学习框架269 10.2.2 支持的层类型269 10.2.3 编译支持GPU加速的OpenCV269 10.2.4 DNN模块的使用274 10.3 应用示例286 10.3.1 典型计算机视觉任务286 10.3.2 使用GoogLeNet实现图像分类289 10.3.3 使用YOLOv4实现目标检测295 10.3.4 使用Mask R-CNN实现实例分割306 10.3.5 使用GOTURN模型实现目标跟踪315 10.3.6 使用DB算法实现场景文本检测319 10.3.7 使用CRNN实现场景文本识别327 10.3.8 应用提示338 参考文献339