本书详细阐述了与TensorFlow高级计算机视觉相关的基本解决方案，主要包括计算机视觉和TensorFlow基础知识，局部二值模式和内容识别，使用OpenCV和CNN进行面部检测，图像深度学习，神经网络架构和模型，迁移学习和视觉搜索，YOLO和对象检测，语义分割和神经风格迁移，使用多任务深度学习进行动作识别，使用R-CNN、SSD和R-FCN进行对象检测，通过CPU/GPU优化在边缘设备上进行深度学习，用于计算机视觉的云计算平台等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。

第1篇 计算机视觉和神经网络概论
第1章 计算机视觉和TensorFIow基础知识
1.1 技术要求
1.2 使用图像哈希和滤波检测边缘
1.2.1 使用拜耳滤色器形成彩色图案
1.2.2 创建图像向量
1.2.3 变换图像
1.2.4 线性滤波——与内核进行卷积
1.2.5 图像平滑
1.2.6 均值滤波器
1.2.7 中值滤波器
1.2.8 高斯滤波器
1.2.9 使用OpenCV进行图像滤波
1.2.10 图像梯度
1.2.11 图像锐化
1.2.12 混合高斯和拉普拉斯运算
1.2.13 检测图像边缘
1.2.14 Sobel边缘检测器
1.2.15 Canny边缘检测器
1.3 从图像中提取特征
1.3.1 直方图
1.3.2 使用OpenCV进行图像匹配
1.4 使用轮廓和HOG检测器进行对象检测
1.4.1 轮廓检测
1.4.2 检测边界框
1.4.3 HOG检测器
1.4.4 轮廓检测方法的局限性
1.5 TensorFlow生态系统和安装概述
1.5.1 TensorFlow与PyTorch
1.5.2 TensorFlow安装
1.6 小结
第2章 局部二值模式和内容识别
2.1 使用LBP处理图像
2.1.1 生成LBP模式
2.1.2 理解LBP直方图
2.1.3 直方图比较方法
2.1.4 LBP的计算成本
2.2 将LBP应用于纹理识别
2.3 使脸部颜色与基础颜色匹配——LBP及其局限性
2.4 使脸部颜色与基础颜色匹配——颜色匹配技术
2.5 小结
第3章 使用OpenCV和CNN进行面部检测
3.1 应用Viola-Jones AdaBoost学习模型和Haar级联分类器进行人脸识别
3.1.1 选择哈尔特征
3.1.2 创建积分图像
3.1.3 进行AdaBoost训练
3.1.4 级联分类器
3.1.5 训练级联检测器
3.2 使用深度神经网络预测面部关键点
3.2.1 准备用于关键点检测的数据集
3.2.2 处理关键点数据
3.2.3 在输入Keras-Python代码之前进行预处理
3.2.4 Keras-Python代码中的预处理
3.2.5 定义模型架构
3.2.6 训练模型以进行关键点预测
3.3 使用CNN预测面部表情
3.4 3D人脸检测概述
……
第2篇 TensorFlow和计算机视觉的高级概念
第3篇 使用TensorFlow的计算机视觉高级实现
第4篇 在边缘和云端上的TensorFlow实现