人工智能正在成为全世界产业变革的方向，处于第四次科技革命的核心地位。计算机视觉（Computer Vision）就是利用摄像机、算法和计算资源为人工智能系统按上“眼睛”，让其可以拥有人类的双眼所具有的前景与背景分割、物体识别、目标跟踪、判断决策等功能。计算机视觉系统可以让计算机看见并理解这个世界的“信息”，从而替代人类完成重复性工作。目前计算机视觉领域热门的研究方向有物体检测与识别、语义分割、目标跟踪等。本书围绕着计算机视觉的关键技术，介绍基于深度学习计算机视觉的基础理论及主要算法。本书结合常见的应用场景和项目实例，循序渐进地带领读者进入美妙的计算机视觉世界。本书共分为11章，第1章为人工智能概述；第2～5章介绍计算机视觉的几种关键技术，即图像分类、目标检测、图像分割和目标跟踪，并将这四项关键技术组合完成人工智能的实际应用；第6、7章介绍人工智能的两个典型应用：文字检测与识别系统及多任务深度学习系统；第8章介绍一种非常有意思的深度学习网络——对抗生成神经网络；第9章介绍制作训练和测试样本的方法；第10章介绍如何安装TensorFlow、Keras API及相关介绍；第11章介绍综合实验。本书提供了大量项目实例及代码解析，均是基于Python语言及TensorFlow、KerasAPI的。本书的每章均配有微课视频，扫描书中的二维码，可观看作者的视频讲解。 本书不仅可以作为大学计算机及相关专业的教材，也适合自学者及人工智能开发人员参考使用。

第1章 人工智能概述
1.1 人工智能的发展浪潮
1.2 AI技术发展历史
1.2.1 AI技术三要素之算法
1.2.2 AI技术三要素之计算资源
1.2.3 AI三要素之数据
1.3 视频分析技术的应用案例
1.3.1 基于人脸识别技术的罪犯抓捕系统
1.3.2 基于文字识别技术的办公自动化系统
1.3.3 基于图像分割及目标检测技术的无人驾驶环境感知系统
1.3.4 基于目标检测及跟踪技术的电子交警系统
1.3.5 基于图像比对技术的产品缺陷检测系统
1.3.6 基于行为识别技术的安全生产管理系统
1.4 本章小结
第2章 深度卷积神经网络
2.1 深度卷积神经网络的概念
2.2 卷积神经网络的构成
2.2.1 卷积层
2.2.2 激活函数
2.2.3 池化层
2.3 深度卷积神经网络模型结构
2.3.1 常用网络模型
2.3.2 网络模型对比
2.4 图像分类
2.5 迁移学习
2.6 图像识别项目实例
2.6.1 下载ImageNet的训练模型
2.6.2 ResNet模型构建
2.6.3 测试图像
2.7 本章小结
2.8 习题
第3章 目标检测
3.1 目标检测的概念
3.2 基于候选区域的目标检测算法
3.2.1 Faster R-CNN目标检测算法
3.2.2 基于区域的全卷积网络（R-FCN）目标检测算法
3.3 基于回归的目标检测算法
3.3.1 YOLO目标检测算法
3.3.2 SSD目标检测算法
3.4 目标检测算法评价指标
3.5 深度卷积神经网络目标检测算法性能对比
3.6 目标检测项目实战
3.6.1 Faster R-CNN
3.6.2 用YOLO训练自己的模型
3.7 本章小结
3.8 习题
第4章 图像分割
4.1 图像分割的概念
4.2 典型的图像分割算法
4.2.1 FCN分割算法
4.2.2 DeepLab分割算法
4.2.3 SegNet图像分割算法
4.2.4 U-Net算法
4.2.5 Mask R-CNN算法
4.3 图像分割评价标准
4.4 图像分割项目实战
4.4.1 FCN32模型构建
4.4.2 FCN8的模型构建
4.4.3 Seg-Net的模型构建
4.4.4 U-Net的模型构建
4.5 本章小结
4.6 习题
第5章 目标跟踪
5.1 图像分割的概念
5.2 基于光流特征的目标跟踪算法
5.2.1 基于光流特征跟踪算法概述
5.2.2 LK光流法
5.3 SORT目标跟踪算法
5.3.1 卡尔曼滤波器
5.3.2 基于匈牙利算法的数据关联
5.4 Deep SORT多目标跟踪算法
5.4.1 Deep SORT算法跟踪原理
5.4.2 外观特征间的关联性计算
5.4.3 利用运动信息关联目标
5.4.4 级联匹配
5.5 目标跟踪算法评价指标
5.6 Deep SORT算法主要程序及分析
5.6.1 目标检测框的获取及坐标转换
5.6.2 卡尔曼滤波
5.6.3 深度外观特征的提取
5.6.4 匹配
5.6.5 后续处理
5.7 本章小结
5.8 习题
第6章 OCR文字识别
6.1 OCR文字识别的概念
6.2 文字检测
6.2.1 传统的文字检测算法
6.2.2 基于深度学习的文字检测算法
6.3 文字识别算法
6.3.1 基于DenseNet网络模型的序列特征提取
6.3.2 基于LSTM结构的上下文序列特征提取
6.3.3 字符序列的解码方式
6.4 项目实战
6.4.1 CRAFT模型搭建
6.4.2 CRNN模型搭建
6.4.3 文字检测与识别程序
6.5 本章小结
6.6 习题
第7章 多任务深度学习网络
7.1 多任务深度学习网络的概念
7.2 多任务深度学习网络构建
7.2.1 多任务网络的主要分类
7.2.2 并行式网络
7.2.3 级联式网络
7.3 多任务深度学习网络的代码实现
7.3.1 构建多任务深度学习网络
7.3.2 多任务深度学习网络的训练
7.3.3 多任务深度学习模型测试
7.4 本章小结
7.5 习题
第8章 生成对抗神经网络
8.1 生成对抗网络的概念
8.2 典型的生成对抗网络
8.2.1 DCGAN
8.2.2 CycleGAN
8.3 传送带表面缺陷样本增强案例
8.4 项目实战
8.4.1 DCGAN
8.4.2 CycleGAN
8.5 本章小结
8.6 习题
第9章 样本制作与数据增强
9.1 数据的获取
9.2 数据的标注
9.2.1 目标检测与识别标注软件LabelImg
9.2.2 图像分割标注软件LabelMe
9.3 数据增强
9.4 项目实战：数据增强
9.4.1 数据增强库的安装与卸载
9.4.2 数据增强库的基本使用
9.4.3 样本数据增强的结果
9.4.4 关键点变换
9.4.5 标注框（Bounding Box）变换
9.5 本章小结
9.6 习题
第10章 Keras安装和API
10.1 安装Keras
10.1.1 第1步——安装依赖项
10.1.2 第2步——安装TensorFlow
10.1.3 第3步——安装Keras
10.1.4 第4步——测试TensorFlow和Keras
10.2 配置Keras
10.3 Keras API
10.4 TensorFlow API
10.5 本章小结
第11章 综合实验：基于YOLO和D