圖像識(shí)別技術(shù)與實(shí)戰(zhàn)（OpenCV+dlib+Keras+Sklearn+TensorFlow）

第1章   圖像識(shí)別技術(shù)基礎(chǔ) 1
1.1  圖像識(shí)別概述 2
1.1.1  什么是圖像識(shí)別 2
1.1.2  圖像識(shí)別的應(yīng)用 2
1.2  圖像識(shí)別原理 3
1.3  圖像識(shí)別技術(shù) 4
1.3.1  AI(人工智能) 5
1.3.2  機(jī)器學(xué)習(xí) 5
1.3.3  深度學(xué)習(xí) 6
1.3.4  基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別 6
1.3.5  基于非線性降維的圖像識(shí)別 7
第2章   scikit-image數(shù)字圖像處理 9
2.1  scikit-image基礎(chǔ) 10
2.1.1  安裝scikit-image 10
2.1.2  scikit-image中的模塊 10
2.2  顯示圖像 11
2.2.1  使用skimage讀入并顯示外部圖像 11
2.2.2  讀取并顯示外部灰度圖像 12
2.2.3  顯示內(nèi)置星空?qǐng)D片 13
2.2.4  讀取并保存內(nèi)置星空?qǐng)D片 14
2.2.5  顯示內(nèi)置星空?qǐng)D片的基本信息 15
2.2.6  實(shí)現(xiàn)內(nèi)置貓圖片的紅色通道的效果 16
2.3  常見(jiàn)的圖像操作 17
2.3.1  對(duì)內(nèi)置貓圖片進(jìn)行二值化操作 17
2.3.2  對(duì)內(nèi)置貓圖片進(jìn)行裁剪處理 18
2.3.3  將RGB圖轉(zhuǎn)換為灰度圖 19
2.3.4  使用skimage實(shí)現(xiàn)繪制圖片功能 20
2.3.5  使用subplot()函數(shù)繪制多視圖窗口 20
2.3.6  使用subplots()函數(shù)繪制多視圖窗口 22
2.3.7  改變指定圖片的大小 24
2.3.8  使用函數(shù)rescale()縮放圖片 25
2.3.9  使用函數(shù)rotate()旋轉(zhuǎn)圖片 25
第3章   OpenCV圖像視覺(jué)處理 27
3.1  OpenCV基礎(chǔ) 28
3.1.1  OpenCV介紹 28
3.1.2  OpenCV-Python介紹 28
3.1.3  安裝OpenCV-Python 29
3.2  OpenCV-Python圖像操作 29
3.2.1  讀取并顯示圖像 29
3.2.2  保存圖像 31
3.2.3  在Matplotlib中顯示圖像 32
3.2.4  繪圖 33
3.2.5  將鼠標(biāo)作為畫(huà)筆 37
3.2.6  調(diào)色板程序 38
3.2.7  基本的屬性操作 40
3.2.8  圖像的幾何變換 42
3.2.9  圖像直方圖 45
3.2.10  特征識(shí)別：Harris(哈里斯)角檢測(cè) 49
3.3  OpenCV-Python視頻操作 51
3.3.1  讀取視頻 51
3.3.2  播放視頻 53
3.3.3  保存視頻 54
3.3.4  改變顏色空間 55
3.3.5  視頻的背景分離 56
3.4  簡(jiǎn)易車牌識(shí)別系統(tǒng) 59
3.4.1  系統(tǒng)介紹 59
3.4.2  通用程序 59
3.4.3  主程序 64
第4章   dlib機(jī)器學(xué)習(xí)和圖像處理算法 67
4.1  dlib介紹 68
4.2  dlib基本的人臉檢測(cè) 68
4.2.1  人臉檢測(cè) 68
4.2.2  使用命令行的人臉識(shí)別 70
4.2.3  檢測(cè)人臉關(guān)鍵點(diǎn) 72
4.2.4  基于CNN的人臉檢測(cè)器 74
4.2.5  在攝像頭中識(shí)別人臉 76
4.2.6  人臉識(shí)別驗(yàn)證 77
4.2.7  全局優(yōu)化 79
4.2.8  人臉聚類 81
4.2.9  抖動(dòng)采樣和增強(qiáng) 82
4.2.10  人臉和姿勢(shì)采集 84
4.2.11  物體追蹤 86
4.3  SVM分類算法 87
4.3.1  二進(jìn)制SVM分類器 87
4.3.2  Ranking SVM算法 89
4.3.3  Struct SVM多分類器 92
4.4  自訓(xùn)練模型 95
4.4.1  訓(xùn)練自己的模型 95
4.4.2  自制對(duì)象檢測(cè)器 98
第5章   face_recognition人臉識(shí)別 103
5.1  安裝face_recognition 104
5.2  實(shí)現(xiàn)基本的人臉檢測(cè) 104
5.2.1  輸出顯示指定人像人臉特征 104
5.2.2  在指定照片中識(shí)別標(biāo)記出人臉 107
5.2.3  識(shí)別出照片中的所有人臉 108
5.2.4  判斷在照片中是否包含某個(gè)人臉 111
5.2.5  識(shí)別出在照片中的人到底是誰(shuí) 113
5.2.6  攝像頭實(shí)時(shí)識(shí)別 114
5.3  深入face_recognition人臉檢測(cè) 120
5.3.1  檢測(cè)人臉眼睛的狀態(tài) 120
5.3.2  模糊處理人臉 122
5.3.3  檢測(cè)兩個(gè)人臉是否匹配 123
5.3.4  識(shí)別視頻中的人臉 125
5.3.5  網(wǎng)頁(yè)版人臉識(shí)別器 127
第6章   Scikit-Learn機(jī)器學(xué)習(xí)和人臉識(shí)別 131
6.1  Scikit-Learn基礎(chǔ) 132
6.1.1  Scikit-Learn介紹 132
6.1.2  安裝Scikit-Learn 132
6.2  基于Scikit-Learn的常用算法 132
6.2.1  Scikit-Learn機(jī)器學(xué)習(xí)的基本流程 133
6.2.2  分類算法 134
6.2.3  聚類算法 137
6.2.4  分解算法 139
6.3  Scikit-Learn和人臉識(shí)別 144
6.3.1  SVM算法人臉識(shí)別 144
6.3.2  KNN算法人臉識(shí)別 145
6.3.3  KNN算法實(shí)時(shí)識(shí)別 151
第7章   TensorFlow機(jī)器學(xué)習(xí)和圖像識(shí)別 155
7.1  TensorFlow基礎(chǔ) 156
7.1.1　TensorFlow介紹 156
7.1.2  TensorFlow的優(yōu)勢(shì) 156
7.1.3  安裝TensorFlow 157
7.2  創(chuàng)建個(gè)機(jī)器學(xué)習(xí)程序 160
7.2.1  在PyCharm環(huán)境實(shí)現(xiàn) 160
7.2.2  在Colaboratory環(huán)境實(shí)現(xiàn) 162
7.3  使用內(nèi)置方法進(jìn)行訓(xùn)練和評(píng)估 164
7.3.1  個(gè)端到端訓(xùn)練和評(píng)估示例 164
7.3.2  使用compile()訓(xùn)練模型 167
7.3.3  自定義損失 169
7.3.4  自定義指標(biāo) 171
7.3.5  處理不適合標(biāo)準(zhǔn)簽名的損失和指標(biāo) 173
7.3.6  自動(dòng)分離驗(yàn)證預(yù)留集 176
7.3.7  通過(guò)tf.data數(shù)據(jù)集進(jìn)行訓(xùn)練和評(píng)估 177
7.3.8  使用樣本加權(quán)和類加權(quán) 181
7.4  TensorFlow圖像視覺(jué)處理 183
7.4.1  導(dǎo)入需要的庫(kù) 183
7.4.2  導(dǎo)入 Fashion MNIST 數(shù)據(jù)集 184
7.4.3  瀏覽數(shù)據(jù) 186
7.4.4  預(yù)處理數(shù)據(jù) 186
7.4.5  構(gòu)建模型 188
7.4.6  編譯模型 189
7.4.7  訓(xùn)練模型 189
7.4.8  使用訓(xùn)練好的模型 195
第8章   國(guó)內(nèi)常用的第三方人臉識(shí)別平臺(tái) 197
8.1  百度AI開(kāi)放平臺(tái) 198
8.1.1  百度AI開(kāi)放平臺(tái)介紹 198
8.1.2  使用百度AI之前的準(zhǔn)備工作 198
8.1.3  基于百度AI平臺(tái)的人臉識(shí)別 203
8.2  科大訊飛AI開(kāi)放平臺(tái) 207
8.2.1  科大訊飛AI開(kāi)放平臺(tái)介紹 207
8.2.2  申請(qǐng)?jiān)囉?208
8.2.3  基于科大訊飛AI的人臉識(shí)別 209
第9章   AI人臉識(shí)別簽到打卡系統(tǒng)(PyQt5 百度AI OpenCV-Python SQLite3實(shí)現(xiàn)) 217
9.1  需求分析 218
9.1.1  背景介紹 218
9.1.2  任務(wù)目標(biāo) 218
9.2  模塊架構(gòu) 219
9.3  使用Qt Designer實(shí)現(xiàn)主窗口界面 220
9.3.1  設(shè)計(jì)系統(tǒng)UI主界面 220
9.3.2  將Qt Designer文件轉(zhuǎn)換為Python文件 221
9.4  簽到打卡、用戶操作和用戶組操作 225
9.4.1  設(shè)計(jì)UI界面 226
9.4.2  創(chuàng)建攝像頭類 228
9.4.3  UI界面的操作處理 230
9.4.4  多線程操作和人臉識(shí)別 241
9.4.5  導(dǎo)出打卡簽到信息 245
9.5  調(diào)試運(yùn)行 247
第10章   基于深度學(xué)習(xí)的AI人臉識(shí)別系統(tǒng)(Flask OpenCV-Python Keras Sklearn實(shí)現(xiàn)) 251
10.1  系統(tǒng)需求分析 252
10.1.1  系統(tǒng)功能分析 252
10.1.2  實(shí)現(xiàn)流程分析 252
10.1.3  技術(shù)分析 253
10.2  照片樣本采集 254
10.3  深度學(xué)習(xí)和訓(xùn)練 256
10.3.1  原始圖像預(yù)處理 256
10.3.2  構(gòu)建人臉識(shí)別模塊 258
10.4  人臉識(shí)別 263
10.5  Flask Web人臉識(shí)別接口 264
10.5.1  導(dǎo)入庫(kù)文件 264
10.5.2  識(shí)別上傳照片 265
10.5.3  在線識(shí)別 267
第11章   AI考勤管理系統(tǒng)(face-recognition Matplotlib Django Scikit-Learn dlib實(shí)現(xiàn)) 269
11.1  背景介紹 270
11.2  系統(tǒng)需求分析 270
11.2.1  可行性分析 270
11.2.2  系統(tǒng)操作流程分析 270
11.2.3  系統(tǒng)模塊設(shè)計(jì) 271
11.3  系統(tǒng)配置 272
11.3.1  Django配置文件 272
11.3.2  路徑導(dǎo)航文件 272
11.4  用戶注冊(cè)和登錄驗(yàn)證 273
11.4.1  登錄驗(yàn)證 273
11.4.2  添加新用戶 275
11.4.3  設(shè)計(jì)數(shù)據(jù)模型 276
11.5  采集照片和機(jī)器學(xué)習(xí) 277
11.5.1  設(shè)置采集對(duì)象 277
11.5.2  采集照片 279
11.5.3  訓(xùn)練照片模型 281
11.6  考勤打卡 283
11.6.1  上班打卡簽到 283
11.6.2  下班打卡 285
11.7  可視化考勤數(shù)據(jù) 287
11.7.1  統(tǒng)計(jì)近兩周的考勤數(shù)據(jù) 288
11.7.2  查看本人指定時(shí)間范圍內(nèi)的考勤統(tǒng)計(jì)圖 292
11.7.3  查看某員工在指定時(shí)間范圍內(nèi)的考勤統(tǒng)計(jì)圖 298
第12章  AI小區(qū)停車計(jì)費(fèi)管理系統(tǒng) 303
12.1  背景介紹 304
12.2  系統(tǒng)功能分析和模塊設(shè)計(jì) 304
12.2.1  功能分析 304
12.2.2  系統(tǒng)模塊設(shè)計(jì) 305
12.3  系統(tǒng)GUI 305
12.3.1  設(shè)置基本信息 305
12.3.2  繪制操作按鈕 306
12.3.3  繪制背景和文字 307
12.4  車牌識(shí)別和收費(fèi) 308
12.4.1  登記業(yè)主的車輛信息 308
12.4.2  識(shí)別車牌 308
12.4.3  計(jì)算停車時(shí)間 309
12.4.4  識(shí)別車牌并計(jì)費(fèi) 310
12.5  主程序 314