opencv3计算机视觉：python实现

目录

一  处理图像

二 深度估计和分割

三 图像检索和描述符

四 目标检测识别与跟踪

 

---

一  处理图像

1.多数常用opencv函数都在  cv2 模块内，因为它采用面向对象的方式，之前的cv模块多采用面向过程的方式。

 

2.原始图像由许多频率组成，我们可以分离这些频率来理解图像和提取ROI。（region of interest） 

 

3.图像的幅度谱 spectrum

最明亮的像素放到中央，逐渐变暗，边缘最暗。

 

4.核的本质是权重，基于核的滤波器（滤波函数）被称为卷积滤波器（卷积函数）。

 

5.  cv2.findContours  和  cv2.approxPloyDP 计算近似的多边形框

    cv2.convexHull 来计算凸包

HoughLines 和 HoughLinesP 用来检测直线，前者运用标准hough变换，后者使用概率Hough 变换。

HoughCircles检测圆。

 

二 深度估计和分割

• 深度图像：灰度图，像素值是摄像头到物体表面的距离。
• 点云图： 图像的每种颜色对应一个（X/Y/Z）维度空间。BGR图像中B对应x，G对应y，R对应z。（蓝色右边，绿色向上，红色深度）
• 视差图：灰度图。图像的每个像素值代表物体表面的立体视差。
• 立体视差：近距离的物体产生大的立体视差，远距离的物体反之。因此近距离的物体视差图中更明亮一些。                                有效的视差值和平均视差值相差一定范围以上的时候，即可将像素看做噪声。
• 有效深度掩模：给定像素的深度信息是否有效（0表示无效，非零值表示有效。一般阴影部分就表示无效。）

 

2.1 从二维图片中分离出前景和背景可用的算法：Grabcut   分水岭

 

2.2 人脸识别检测

人脸检测算法：类harr特征 级联，具有尺度不变性，但是不具有旋转不变性。

人脸识别算法：Eigenfaces   Fisherfaces  和LBPH( Local Binary Pattern Histogram)

 

三 图像检索和描述符

3.1 特征检测算法

Harris 和 FAST 检测角点

SIFT  SURF   BRIEF 检测斑点 （blob）

ORB 融合了带方向的FAST和旋转也不变的 BRIEF

3.2  匹配算法

暴力匹配法 （Brute-Force）

FLANN

3.3 特征提取检测

DOG 对同一图像使用不同高斯滤波器得到的结果。

SIFT 对象会使用DOG 检测关键点。

python  大多数处理算法都需要图像为灰度格式。  why？

 

四 目标检测识别与跟踪

图像目标检测识别

梯度直方图（Histogram of orientation Gradient） HOG

图像金字塔 （image pyramid）

滑动窗口（sliding window）

非最大值抑制

支持向量机（SVM）：对带标签的数据进行分类

 

视频目标跟踪之背景分割

cv2.findContours ：计算图像中目标的轮廓

cv2.boundinRect：计算矩形的边界框

类BackgroundSubtractor:    分割前景和背景

opencv3中含有三种背景分割器：

• K-Nearest   (KNN)
• Mixture of Gaussians （MOG）
• Geometric Multigid（GMG）
•  

视频目标跟踪之均值漂移

Meanshift

彩色直方图 calcHist

视频目标跟踪之CAMShift

 

视频目标跟踪之卡尔曼滤波器

 

五 书评

这本书可以说是一个老外的基于python语言的opencv库的使用记录。

设计python中opencv的API的介绍和使用，理论知识较少。