余海林,清华大学数理基础科学实验班毕业、美国加州大学洛杉矶分校（UCLA）计算机硕士毕业，AI火箭营高级讲师。有着扎实的数理基础和计算机编程能力，曾获得美国大学生数学建模大赛一等奖。擅长机器学习、深度学习、计算机视觉、自然语言处理等AI领域的前沿技术，参与过多个AI实践项目。在AI火箭营开设多门课程，累计学习人次超过10万，讲课风格严谨而幽默、深刻且易懂，深受广大学员的认可。

翟中华,清华大学硕士毕业，北京洪策元创智能科技有限公司CEO，AI火箭营首席讲师。在机器学习、深度学习、计算机视觉、自然语言处理等人工智能领域有扎实的理论基础和丰富的应用实践经验。主讲的课程“深度学习入门系列讲解”“PyTorch深度学习实战”等累计学员约30万人次，讲课风格抽丝剥茧、深入浅出、以简驭繁，能够把复杂的原理简单化，把简单的原理内涵化，深受广大学员的认可。

本书详细讲解基于OpenCV的传统计算机视觉和以TensorFlow代码为主的基于深度学习的计算机视觉。

本书从基本的图像特征开始，包括颜色特征、几何特征、局部特征、梯度特征，到图像美化，再到传统目标检测、光流与跟踪等；继而进入深度学习部分，首先带来深度学习的基本原理，然后是卷积神经网络的深入剖析，进而阐述如何将卷积神经网络应用于计算机视觉的物体分类、目标检测等常见问题上，最后介绍计算机视觉z新的GAN网络。本书以非常简单的公式和原理解释学习过程中遇到的问题，通过大量精美的图片让读者直观感受计算机视觉的效果，深入理解计算机视觉的核心内容。

本书适合人工智能方向的大学本科生、研究生，以及初学者阅读。对于有一定基础和经验的读者，也能帮助他们查缺补漏，深入理解和掌握相关原理和方法，提高实际解决问题的能力。

目录

第1章机器看世界

1.1计算机眼里的图像

1.2计算机视觉的起源

1.2.1马尔计算视觉

1.2.2主动和目的视觉

1.2.3多视几何和分层三维重建

1.2.4基于学习的视觉

1.3计算机视觉的难点

1.4深度学习的起源

1.5基于深度学习的计算机视觉

1.5.1研究方向

1.5.2未来发展

第2章传统图像处理之OpenCV的妙用

2.1OpenCV安装

2.2OpenCV模块

2.3OpenCV数据存取

2.4OpenCV图像基本操作

2.4.1OpenCV图像缩放

2.4.2OpenCV图像裁剪

2.4.3OpenCV图像旋转

2.5从摄像头读取

2.6矩阵操作

第3章传统图像处理之寻找特征

3.1颜色特征

3.1.1RGB颜色空间

3.1.2HIS颜色空间

3.1.3HSV颜色空间

3.1.4颜色直方图

3.1.5OpenCV图像色调，对比度变化

3.2几何特征

3.2.1边缘特征

3.2.2角点

3.2.3斑点

3.3局部特征

3.3.1SIFT算法

3.3.2SURF算法

3.4代码实战： 图像匹配

第4章传统图像处理之图像美化

4.1添加图形与文字

4.2图像美白

4.3图像修复与去噪

4.4图像轮廓

4.5图像金字塔

4.6代码实战： 图像融合

第5章传统图像处理之相机模型

5.1相机模型

5.1.1针孔相机模型

5.1.2射影几何

5.2透镜

5.3透镜畸变

第6章传统图像处理之目标检测

6.1OpenCV中的机器学习

6.1.1机器学习简介

6.1.2OpenCV机器学习数据流

6.1.3OpenCV机器学习算法

6.2基于支持向量机的目标检测与识别

6.2.1词袋算法

6.2.2隐式支持向量机算法

6.3基于树方法的目标检测与识别

6.4代码实战： 人脸识别

6.5传统图像总结

第7章深度学习初识

7.1深度学习基础

7.2正向传播、反向传播算法

7.3非线性激活函数

7.4Dropout正则化方法

7.5GPU加速运算

第8章基于深度学习的计算机视觉之卷积神经网络

8.1卷积神经网络基本架构

8.1.1卷积层

8.1.2池化层

8.1.3全连接层

8.1.4Softmax激活函数

8.1.5交叉熵损失

8.2AlexNet结构详解

8.3卷积神经网络的优点

第9章基于深度学习的计算机视觉之TensorFlow

9.1TensorFlow的起源

9.2TensorFlow基础知识

9.2.1安装

9.2.2图计算

9.2.3TensorFlow 2.0

9.2.4张量

9.2.5tf.data

9.2.6可视化

9.2.7模型存取

9.2.8Keras接口

9.2.9神经网络搭建

9.3代码实战： 手写数字

第10章基于深度学习的计算机视觉之目标识别

10.1目标识别的概念

10.2构建数据集的方法

10.3搭建神经网络

10.4训练及效果评估

10.5解决过拟合

10.6数据增强

10.7迁移学习

第11章基于深度学习的计算机视觉之两阶段目标检测

11.1什么是目标检测

11.2目标检测的难点

11.3目标检测的基础知识

11.3.1候选框

11.3.2交并比

11.3.3非极大值抑制

11.3.4传统目标检测基本流程

11.4目标检测效果评估

11.5二阶段算法： RCNN类网络

11.5.1RCNN网络

11.5.2Fast RCNN网络

11.5.3Faster RCNN网络

11.6代码实战

第12章基于深度学习的计算机视觉之阶段目标检测

12.1YOLO网络

12.1.1YOLO起源

12.1.2YOLO原理

12.1.3YOLOv2原理

12.1.4YOLOv3原理

12.1.5YOLO应用

12.2SSD网络

12.3代码实战： 车牌识别

第13章人脸识别： 传统方法VS深度学习

13.1人脸识别技术的历史

13.2人脸识别技术的发展前景

13.3人脸识别技术主要流程

13.3.1人脸识别的主要流程

13.3.2人脸识别的主要方法

13.3.3人脸识别的技术指标

13.4深度学习方法

13.5人脸识别的挑战

第14章基于深度学习的计算机视觉： 生成模型

14.1自动编码器

14.1.1去噪自动编码器

14.1.2变分自动编码器

14.2风格迁移

14.3GAN网络

参考文献