【簡介】 AI視覺 最強入門邁向頂尖高手 王者歸來【書籍內容】◎ 台灣作者第一本「AI視覺」專書！五大最強亮點 ?1. AI 影像技術全解析，從入門到頂尖高手 ?2. 影像不只是影像，讓 AI 賦予它智慧與靈魂 ?3. 數學、演算法、函數與Python程式，三大學習核心，建立的AI影像專案 ?4. AI 影像應用無極限，打造你的專屬智慧影像系統 ?5. 最完整 AI 視覺學習資源，帶你進入與設計 AI 影像時代◎ AI視覺最強入門，從新手到頂尖高手！ 在 AI 影像技術的浪潮下，你是否曾想過，如何讓影像處理不只是單純的圖像變換，而是賦予它智慧，讓程式「看見」並理解世界？本書 《AI視覺最強入門邁向頂尖高手》 將帶你從零開始，一步步掌握 AI 視覺的核心技術，讓你的影像程式不再只是空洞的代碼，而是充滿靈魂與創意的智慧應用！◎ 這本書，適合誰？ 　★ Python & AI 初學者：從影像基礎開始，循序漸進學習。 　★ 影像處理 & OpenCV 愛好者：探索影像創意與高級應用。 　★ 開發者 & 工程師：打造 AI 監控、人臉識別、物件追蹤專案。 　★ 學生 & 研究人員：數學 + 演算法 + OpenCV，全方位掌握 AI 視覺技術。◎ AI 影像技術，從基礎到進階 　★ 影像處理基礎：影像讀取、色彩空間（BGR、RGB、HSV）、影像儲存與計算。 　★ 影像創意與特效：數位浮水印、動態影像（GIF、MP4）、藝術畫作設計。 　★ 影像增強與變換：圖像去霧、濾波降噪、傅立葉變換、直方圖對比度增強。 　★ AI 影像識別應用：手寫數字辨識、人臉偵測、車牌識別、醫學影像分析。 　★ AI 監控與自動追蹤：動態車道偵測、AI 監控系統、模板匹配物件搜尋。◎ 為什麼選擇這本書？ 　★ 獨家「三步驟」學習法： 　★ 數學原理 → 演算法邏輯 → Python x OpenCV x MediaPipe 實作，讓你學得深入又靈活應用！ 　★ 從基礎到高階 AI 視覺應用，完整解構影像處理技術！ 　★ 結合 OpenCV x MediaPipe x Python，打造創新影像應用專案！◎ AI 影像技術，開啟無限可能！ 影像處理與 AI 的結合，正顛覆我們的世界。無論是攝影特效、醫學影像、智慧監控還是自動駕駛，AI 視覺技術都是未來不可或缺的核心技能。現在，就是你踏入這個領域的最佳時機！☆立即入手《AI視覺最強入門邁向頂尖高手》，解鎖影像處理的無限可能，讓你的程式擁有真正的智慧與創意！☆ 【目錄】 第1章　影像的讀取、顯示與儲存 1-0 建議閱讀書籍 1-1 程式導入OpenCV 模組 1-1-1 安裝主要模組 1-1-2 擴展模組安裝 1-1-3 導入模組 1-1-4 OpenCV 版本 1-2 讀取影像檔案 1-2-1 影像讀取imread( ) 的語法 1-2-2 可讀取的影像格式 1-3 顯示影像與關閉影像視窗 1-3-1 使用OpenCV 顯示影像 1-3-2 關閉OpenCV 視窗 1-3-3 等待按鍵的事件 1-3-4 建立OpenCV 影像視窗 1-4 儲存影像第2章　認識影像表示方法 2-1 位元影像表示法 2-2 GRAY 色彩空間 2-3 RGB 色彩空間 2-3-1 由色彩得知RGB 通道值 2-3-2 使用RGB 通道值獲得色彩區塊 2-3-3 RGB 彩色像素的表示法 2-4 BGR 色彩空間 2-5 獲得影像的屬性 2-6 像素的BGR 值 2-6-1 讀取特定灰階影像像素座標的BGR 值 2-6-2 讀取特定彩色影像像素座標的BGR 值 2-6-3 修改特定影像像素座標的BGR 值第3章　學習OpenCV 需要的Numpy 知識 3-1 陣列ndarray 3-2 Numpy 的資料型態 3-3 建立一維或多維陣列 3-3-1 認識ndarray 的屬性 3-3-2 使用array( ) 建立一維陣列 3-3-3 使用array( ) 函數建立多維陣列 3-3-4 使用zeros( ) 建立內容是0 的多維陣列 3-3-5 使用ones( ) 建立內容是1 的多維陣列 3-3-6 使用empty( ) 建立未初始化的多維陣列 3-3-7 使用random.randint( ) 建立隨機數內容的多維陣列 3-3-8 使用arange( ) 函數建立陣列數據 3-3-9 使用reshape( ) 函數更改陣列形式 3-4 一維陣列的運算與切片 3-4-1 一維陣列的四則運算 3-4-2 一維陣列的關係運算子運算 3-4-3 陣列切片 3-4-4 使用參數copy=True 複製數據 3-4-5 使用copy( ) 函數複製陣列 3-5 多維陣列的索引與切片 3-5-1 認識axis 的定義 3-5-2 多維陣列的索引 3-5-3 多維陣列的切片 3-6 陣列水平與垂直合併 3-6-1 陣列垂直合併vstack( ) 3-6-2 陣列水平合併hstack( )第4章　認識色彩空間到藝術創作 4-1 BGR 與RGB 色彩空間的轉換 4-2 BGR 色彩空間轉換至GRAY 色彩空間 4-2-1 使用cvtColor( ) 函數 4-2-2 OpenCV 內部轉換公式 4-3 HSV 色彩空間 4-3-1 認識HSV 色彩空間 4-3-2 將影像由BGR 色彩空間轉為HSV 色彩空間 4-3-3 將RGB 色彩轉換成HSV 色彩公式 4-4 拆分色彩通道 4-4-1 拆分BGR 影像的通道 4-4-2 拆分HSV 影像的通道 4-5 合併色彩通道 4-5-1 合併B、G、R 通道的影像 4-5-2 合併H、S、V 通道的影像 4-6 拆分與合併色彩通道的應用 4-6-1 色調Hue 調整 4-6-2 飽和度Saturation 調整 4-6-3 明度Value 調整 4-7 alpha 通道第5章　妙手空空建立影像 5-1 影像座標 5-2 建立與編輯灰階影像 5-2-1 建立灰階影像 5-2-2 編輯灰階影像 5-2-3 使用隨機數建立灰階影像 5-3 建立彩色影像第6章　影像處理的基礎知識 6-1 灰階影像的編輯 6-1-1 自創灰階影像與編輯的基礎實例 6-1-2 讀取灰階影像與編輯的實例 6-2 彩色影像的編輯 6-2-1 了解彩色影像陣列的結構 6-2-2 自創彩色影像與編輯的實例 6-2-3 讀取彩色影像與編輯的實例 6-3 編輯含alpha 通道的彩色影像 6-4 影像感興趣區域的編輯 6-4-1 擷取影像感興趣區塊 6-4-2 建立影像馬賽克效果 6-4-3 感興趣區塊在不同影像間移植 6-5 負片影像處理 6-5-1 負片的基本概念與應用 6-5-2 負片應用在灰階影像 6-5-3 負片應用在彩色影像 6-5-4 ROI 負片處理第7章　從靜態到動態的繪圖功能 7-1 建立畫布 7-2 繪製直線 7-3 畫布背景色彩的設計 7-3-1 單區塊的底部色彩 7-3-2 建立含底色圖案的畫布 7-3-3 漸層色背景設計 7-4 繪製矩形 7-5 繪製圓 7-5-1 繪製圓的基礎知識 7-5-2 隨機色彩的應用 7-6 繪製橢圓或橢圓弧度 7-7 繪製多邊形 7-8 輸出文字 7-8-1 預設英文字輸出 7-8-2 中文字輸出 7-9 反彈球的設計 7-10 滑鼠事件 7-10-1 OnMouseAction( ) 7-10-2 setMouseCallback( ) 7-10-3 建立隨機圓 7-10-4 滑鼠與鍵盤的混合應用 7-11 滾動條的設計 7-12 滾動條當作開關的應用第8章　影像計算邁向影像創作 8-1 影像加法運算 8-1-1 使用add( ) 函數執行影像加法運算 8-1-2 使用數學加法 + 符號執行影像加法運算 8-1-3 加總B、G、R 原色的實例 8-2 遮罩mask 8-2-1 遮罩的基本概念 8-2-2 遮罩的應用場景 8-3 重複曝光技術 8-3-1 影像的加權和觀念 8-3-2 OpenCV 的影像加權和方法 8-4 影像的位元運算 8-4-1 邏輯的and 運算 8-4-2 邏輯的or 運算 8-4-3 邏輯的not 運算 8-4-4 邏輯的xor 運算 8-5 影像加密與解密 8-6 動態影像GIF 設計 8-6-1 移動遮罩的設計與應用 8-6-2 保存為 GIF 動畫 8-7 設計MP4 影片檔案 8-7-1 MP4 檔案設計步驟 8-7-2 MP4 影片實作第9章　閾值處理邁向數位情報 9-1 threshold( ) 函數 9-1-1 基礎語法 9-1-2 二值化處理THRESH_BINARY 與現代情報戰 9-1-3 反二值化處理THRESH_BINARY_INV 9-1-4 截斷閾值處理THRESH_TRUNC 9-1-5 低閾值用0 處理THRESH_TOZERO 9-1-6 高閾值用0 處理THRESH_TOZERO_INV 9-2 Otsu 演算法 9-3 自適應閾值方法adaptiveThreshold( ) 函數 9-4 平面圖的分解 9-5 隱藏在影像內的數位浮水印 9-5-1 驗證最低有效位元對影像沒有太大的影響 9-5-2 建立數位浮水印 9-5-3 取得原始影像的row 和column 9-5-4 建立像素值是254 的提取矩陣 9-5-5 取得原始影像的高7 位影像 9-5-6 建立浮水印影像 9-5-7 將浮水印影像嵌入原始影像 9-5-8 擷取浮水印影像 9-6 動態展示影像處理過程第10章　影像的幾何變換 10-1 認識幾何變換 10-2 影像縮放效果 10-2-1 使用dsize 參數執行影像縮放 10-2-2 使用fx 和fy 執行影像的縮放 10-3 影像翻轉 10-4 影像仿射 10-4-1 仿射的數學基礎 10-4-2 仿射的函數語法 10-4-3 影像平移 10-4-4 影像旋轉 10-4-5 影像傾斜 10-5 影像透視 10-6 重映射 10-6-1 解說map1 和map2 10-6-2 影像複製 10-6-3 垂直翻轉 10-6-4 水平翻轉的實例 10-6-5 影像縮放 10-6-6 影像垂直壓縮 10-7 重映射創意應用 - 波浪效果 10-7-1 波浪效果 10-7-2 設計波浪動畫第11章　影像除噪與平滑技術 11-1 建立平滑影像需認識的名詞 11-1-1 濾波核 11-1-2 影像噪音 11-1-3 刪除噪音 11-2 均值濾波器 11-2-1 理論基礎 11-2-2 像素位於邊界的考量 11-2-3 濾波核與卷積 11-2-4 均值濾波器函數 11-3 方框濾波器 11-3-1 理論基礎 11-3-2 方框濾波器函數 11-4 中值濾波器 11-4-1 理論基礎 11-4-2 中值濾波器函數 11-5 高斯濾波器 11-5-1 理論基礎 11-5-2 高斯濾波器函數 11-6 雙邊濾波器 11-6-1 理論基礎 11-6-2 雙邊濾波器函數 11-7 2D 濾波核 11-8 創意應用 – 圖像油畫效果模擬第12章　數學形態學 12-1 腐蝕(Erosion) 12-1-1 理論基礎 12-1-2 腐蝕函數 12-2 膨脹(Dilation) 12-2-1 理論基礎 12-2-2 膨脹函數dilate( ) 12-3 OpenCV 應用在數學形態學的通用函數 12-4 開運算(Opening) 12-4-1 開運算於AI 視覺場景的應用 12-4-2 開運算的程式應用 12-5 閉運算(Closing) 12-5-1 閉運算與開運算功能差異 12-5-2 閉運算在 AI 視覺中的應用場景 12-5-3 閉運算的程式應用 12-6 形態學梯度(Morphological gradient) 12-6-1 形態學梯度的作用與影響 12-6-2 形態學梯度在 AI 視覺中的場景應用 12-6-3 閉運算的程式應用 12-7 禮帽運算(tophat) 12-7-1 禮帽運算的特色與影響 12-7-2 禮帽運算在 AI 視覺中的場景應用 12-7-3 禮帽運算的程式應用 12-8 黑帽運算(blackhat) 12-8-1 黑帽運算的特色與影響 12-8-2 黑帽運算在 AI 視覺中的場景應用 12-8-3 黑帽運算的程式應用 12-9 核函數第13章　影像梯度與邊緣偵測 13-1 影像梯度的基礎觀念 13-1-1 直覺方法認識影像邊界 13-1-2 認識影像梯度 13-1-3 機器視覺 13-2 OpenCV 函數Sobel( ) 13-2-1 Sobel 運算子 13-2-2 使用Sobel 運算子計算x 軸方向影像梯度 13-2-3 使用Sobel 運算子計算y 軸方向影像梯度 13-2-4 Sobel( ) 函數 13-2-5 考量ddepth 與取絕對值函數convertScaleAbs( ) 13-2-6 x 軸方向的影像梯度 13-2-7 y 軸方向的影像梯度 13-2-8 x 軸和y 軸影像梯度的融合 13-3 OpenCV 函數Scharr( ) 13-3-1 Scharr 算子 13-3-2 Scharr( ) 函數 13-4 OpenCV 函數Laplacian( ) 13-4-1 二階微分 13-4-2 Laplacian 運算子 13-4-3 Laplacian( ) 函數 13-5 Canny 邊緣檢測 13-5-1 認識Canny 邊緣檢測 13-5-2 Canny 演算法的步驟 13-5-3 Canny( ) 函數 13-6 灰階圖像在邊緣檢測中的優勢第14章　影像金字塔 14-1 影像金字塔的原理 14-1-1 認識層次(level) 名詞 14-1-2 基礎理論 14-1-3 濾波器與採樣 14-1-4 高斯濾波器與向下採樣 14-1-5 向上採樣 14-1-6 影像失真 14-2 OpenCV 的pyrDown( ) 函數 14-3 OpenCV 的pyrUp( ) 函數 14-4 採樣逆運算的實驗 14-4-1 影像相加與相減 14-4-2 反向運算的結果觀察 14-5 拉普拉斯金字塔(Laplacian Pyramid, LP) 14-6 影像金字塔的應用與老照片修復實作 14-6-1 影像金字塔的應用 14-6-2 修復老舊照片原理解釋 14-6-3 實作老照片修復第15章　輪廓的檢測與匹配 15-1 影像內圖形的輪廓 15-1-1 找尋圖形輪廓findContours( ) 15-1-2 繪製圖形的輪廓 15-2 繪製影像內圖形輪廓的系列實例 15-2-1 找尋與繪製影像內圖形輪廓的基本應用 15-2-2 認識findCountours( ) 函數的回傳值contours 15-2-3 輪廓索引contoursIdx 15-2-4 輪廓的外形與特徵提取 15-2-5 輪廓內有輪廓 15-2-6 繪製一般影像的圖形輪廓 15-2-7 輪廓動畫 15-3 輪廓層級Hierarchy 15-3-1 輪廓層級的基本觀念 15-3-2 檢測模式RETR_EXTERNAL 15-3-3 檢測模式RETR_LIST 15-3-4 檢測模式RETR_CCOMP 15-3-5 檢測模式RETR_TREE 15-3-6 輪廓層級的創意場景 15-4 輪廓的特徵 – 影像矩(Image moments) 15-4-1 矩特徵moments( ) 函數 15-4-2 基礎影像矩推導 – 輪廓質心 15-4-3 影像矩實例 15-4-4 計算輪廓面積 15-4-5 計算輪廓周長 15-5 輪廓外形的匹配 – Hu 矩 15-5-1 OpenCV 計算Hu 矩的函數 15-5-2 第0 個Hu 矩的公式驗證 15-5-3 輪廓匹配 15-6 再談輪廓外形匹配 15-6-1 建立形狀場景距離 15-6-2 Hausdorff 距離第16章　輪廓擬合與凸包的相關應用 16-1 輪廓的擬合 16-1-1 矩形包圍 16-1-2 最小包圍矩形 16-1-3 最小包圍圓形 16-1-4 最優擬合橢圓 16-1-5 最小包圍三角形 16-1-6 近似多邊形 16-1-7 最優擬合直線 16-2 凸包 16-2-1 獲得凸包 16-2-2 凸缺陷 16-3 輪廓的幾何測試 16-3-1 測試輪廓包圍線是否凸形 16-3-2 計算任意座標點與輪廓包圍線的最短距離 16-4 創意應用第17章　輪廓的特徵 17-1 寬高比(Aspect Ratio) 17-2 輪廓的極點 17-2-1 認識輪廓點座標 17-2-2 Numpy 模組的argmax( ) 和argmin( ) 函數 17-2-3 找出輪廓極點座標 17-3 Extent 17-4 Solidity 17-5 等效直徑(Equivalent Diameter) 17-6 遮罩和非0 像素點的座標訊息 17-6-1 使用Numpy 的陣列模擬獲得非0 像素點座標訊息 17-6-2 獲得空心與實心非0 像素點座標訊息 17-6-3 使用OpenCV 函數獲得非0 像素點座標訊息 17-7 找尋影像物件最小值與最大值與他們的座標 17-7-1 從陣列找最大值與最小值和他們的座標 17-7-2 影像實作與醫學應用說明 17-8 計算影像的像素的均值與標準差 17-8-1 計算影像的像素均值 17-8-2 影像的像素均值簡單實例 17-8-3 使用遮罩觀念計算像素均值 17-8-4 計算影像的像素標準差 17-9 方向 17-10 輪廓動態創意設計 17-10-1 圓形輪廓動畫 17-10-2 不規則外形的外框收縮 17-10-3 動畫標記像素點第18章　自動駕駛車道檢測 18-1 霍夫變換的基礎原理解說 18-1-1 認識笛卡兒座標與霍夫座標 18-1-2 映射 18-1-3 認識極座標的基本定義 18-1-4 霍夫變換與極座標 18-2 HoughLines( ) 函數 18-3 HoughLinesP( ) 函數 18-4 霍夫圓環變換檢測 18-5 高速公路車道檢測 18-5-1 高速公路車道檢測 18-5-2 優化版的車道檢測 - 均值左右車道線第19章　直方圖均衡化 - 增強影像對比度 19-1 認識直方圖 19-1-1 認識直方圖 19-1-2 正規化直方圖 19-2 繪製直方圖 19-2-1 使用matplotlib 繪製直方圖 19-2-2 使用OpenCV 取得直方圖數據 19-2-3 繪製彩色影像的直方圖 19-2-4 繪製遮罩的直方圖 19-3 直方圖均衡化 19-3-1 直方圖均衡化演算法 19-3-2 直方圖均衡化equalizeHist( ) 19-3-3 直方圖均衡化應用在彩色影像 19-4 限制自適應直方圖均衡化方法 19-4-1 直方圖均衡化的優缺點 19-4-2 直方圖均衡化的缺點實例 19-4-3 自適應直方圖函數createCLAHE( ) 和apply( ) 函數 19-5 區域化直方圖增強技術第20章　模板匹配Template Matching 20-1 模板匹配的基礎觀念 20-2 模板匹配函數matchTemplate( ) 20-2-1 認識匹配函數matchTemplate( ) 20-2-2 模板匹配結果 20-2-3 TM_SQDIFF_NORMED 模板匹配結果 20-3 單模板匹配 20-3-1 回顧minMaxLoc( ) 函數 20-3-2 單模板匹配的實例 20-3-3 找出比較接近的影像 20-3-4 多目標匹配的實例 20-3-5 在地圖搜尋山脈 20-3-6 計算距離最近的機場 20-4 多模板匹配第21章　傅立葉(Fourier) 變換 21-1 數據座標軸轉換的基礎知識 21-2 傅立葉基礎理論 21-2-1 認識傅立葉(Fourier) 21-2-2 認識弦波 21-2-3 正弦函數的時域圖與頻率域圖 21-2-4 傅立葉變換理論基礎 21-3 使用Numpy 執行傅立葉變換 21-3-1 實作傅立葉變換 21-3-2 逆傅立葉變換 21-4 訊號與濾波器 21-4-1 高頻訊號與低頻訊號 21-4-2 高通濾波器與低通濾波器 21-5 使用OpenCV 完成傅立葉變換 21-5-1 使用dft( ) 函數執行傅立葉變換 21-5-2 使用OpenCV 執行逆傅立葉運算 21-5-3 低通濾波器 21-6 低通濾波器的藝術創作第22章　影像分割使用分水嶺演算法 22-1 影像分割基礎 22-2 分水嶺演算法與OpenCV 官方推薦網頁 22-2-1 認識分水嶺演算法 22-2-2 OpenCV 官方推薦網頁 22-3 分水嶺演算法步驟1 – 認識distanceTransform( ) 22-4 分水嶺演算法步驟2 – 找出未知區域 22-5 分水嶺演算法步驟3 – 建立標記 22-6 完成分水嶺演算法 22-7 分水嶺演算法專案 – 複雜圖像分割第23章　影像擷取 23-1 認識影像擷取的原理 23-2 OpenCV 的grabCut( ) 函數 23-3 grabCut( ) 基礎實作 23-4 自定義遮罩實例 23-5 影像擷取創意應用 23-5-1 更換影像背景 23-5-2 模糊背景凸顯主題第24章　影像修復- 搶救蒙娜麗莎的微笑 24-1 影像修復的演算法 24-1-1 Navier-Stroke 演算法 24-1-2 Alexander 演算法 24-1-3 Navier-Strokes 與Alexander 演算法的比較 24-2 影像修復的函數inpaint( ) 24-3 修復蒙娜麗莎的微笑 24-4 局部修復圖像第25章　辨識手寫數字 25-1 認識KNN 演算法 25-1-1 數據分類的基礎觀念 25-1-2 手寫數字的特徵 25-1-3 不同數字特徵值的比較 25-1-4 手寫數字分類原理 25-1-5 簡化特徵比較 25-2 認識Numpy 與KNN 演算法相關的知識 25-2-1 Numpy 的ravel( ) 函數 25-2-2 Numpy 的flatten( ) 函數 25-2-3 數據分類 25-2-4 建立與分類30 筆訓練數據 25-3 OpenCV 的KNN 演算法函數 25-3-1 基礎實作 25-3-2 更常見的分類 25-4 有關手寫數字識別的Numpy 基礎知識 25-4-1 vsplit( ) 垂直方向分割數據 25-4-2 hsplit( ) 水平方向分割數據 25-4-3 元素重複repeat( ) 25-5 識別手寫數字 25-5-1 實際設計識別手寫數字 25-5-2 儲存訓練和分類數據 25-5-3 下載訓練和分類數據第26章　OpenCV 的攝影功能 26-1 啟用攝影機功能VideoCapture 類別 26-1-1 初始化VideoCapture 26-1-2 檢測攝影功能是否開啟成功 26-1-3 讀取攝影鏡頭的影像 26-1-4 關閉攝影功能 26-1-5 讀取影像的基礎實例 26-1-6 影像翻轉 26-1-7 保存某一時刻的幀 26-2 使用VideoWriter 類別執行錄影 26-3 播放影片 26-3-1 播放所錄製的影片 26-3-2 播放iPhone 所錄製的影片 26-3-3 灰階播放影片 26-3-4 暫停與繼續播放 26-3-5 更改顯示視窗大小 26-4 認識攝影功能的屬性 26-4-1 獲得攝影功能的屬性 26-4-2 設定攝影功能的屬性 26-4-3 顯示影片播放進度 26-4-4 裁剪影片 26-5 車道辨識影片專題 26-5-1 取得車道辨識影片 26-5-2 車道辨識影片程式實作第27章　認識物件偵測原理與資源檔案 27-1 物件偵測原理 27-1-1 階層分類器原理 27-1-2 Haar 特徵緣由 27-1-3 哈爾特徵原理 27-2 找尋OpenCV 的資源檔案來源 27-3 認識資源檔案 27-4 人臉的偵測 27-4-1 臉形階層式分類器資源檔 27-4-2 基礎臉形偵測程式 27-4-3 史上最牛的物理科學家合照 27-5 偵測側面的人臉 27-5-1 基礎觀念 27-5-2 側面臉形偵測 27-6 路人偵測 27-6-1 路人偵測 27-6-2 下半身的偵測 27-6-3 上半身的偵測 27-7 眼睛的偵測 27-7-1 眼睛分類器資源檔 27-7-2 偵測雙眼實例 27-7-3 偵測左眼與右眼的實例 27-8 偵測貓臉 27-9 俄羅斯車牌辨識 27-10 AI 監控系統設計專題 27-10-1 圖像人臉標記 27-10-2 影片人臉標記 27-10-3 影片人臉標記用MP4 紀錄過程 27-10-4 AI 監控系統設計第28章　攝影機與人臉檔案 28-1 擷取相同大小的人臉存檔 28-2 使用攝影機擷取人臉影像 28-3 自動化攝影和擷取人像 28-4 半自動拍攝多張人臉的實例 28-5 全自動拍攝人臉影像第29章　人臉辨識 29-1 LBPH 人臉辨識 29-1-1 LBP（Local Binary Patterns）基本概念 29-1-2 LBPH（Local Binary Patterns Histograms）步驟 29-1-3 LBPH 用於人臉辨識的優點 29-1-4 LBPH 可能的侷限性 29-1-5 LBPH 函數解說 29-1-6 簡單的人臉辨識程式實作 29-1-7 繪製LBPH 直方圖 29-1-8 人臉識別實務 – 儲存與開啟訓練數據 29-1-9 結論 29-2 Eigenfaces 人臉辨識 29-2-1 Eigenfaces 原理思維 29-2-2 「Eigenfaces」如何表示臉部 29-2-3 優點與侷限 29-2-4 Eigenfaces 函數解說 29-2-5 簡單的人臉辨識程式實作 29-2-6 結論 29-3 Fisherfaces 人臉辨識 29-3-1 緣由與目標 29-3-2 主要步驟 29-3-3 Fisherface 與 Eigenfaces 的比較 29-3-4 Fisherfaces 函數解說 29-3-5 簡單的人臉辨識程式實作 29-3-6 總結 29-4 專題實作 - 建立員工人臉識別登入系統 29-4-1 建立與訓練人臉資料庫 – ch29_6.py 29-4-2 員工人臉識別 – ch29_7.py 29-5 專題實作 - AI 監控與人臉辨識第30章　建立哈爾特徵分類器- 車牌辨識 30-1 準備正樣本與負樣本影像資料 30-1-1 準備正樣本影像 – 含汽車車牌影像 30-1-2 準備負樣本影像 – 不含汽車車牌影像 30-2 處理正樣本影像 30-2-1 將正樣本影像處理成固定寬度與高度 30-2-2 將正樣本影像轉成bmp 檔案 30-3 處理負樣本影像 30-4 建立辨識車牌的哈爾(Haar) 特徵分類器 30-4-1 下載建立哈爾特徵分類器工具 30-4-2 儲存正樣本影像 30-4-3 儲存負樣本影像 30-4-4 為正樣本加上標記 30-4-5 設計程式顯示標記 30-5 訓練辨識車牌的哈爾特徵分類器 30-5-1 建立向量檔案 30-5-2 訓練哈爾分類器 30-5-3 建立哈爾特徵分類器資源檔 30-6 車牌偵測 30-7 心得報告第31章　車牌辨識 31-1 擷取所讀取的車牌影像 31-2 使用Tesseract OCR 執行車牌辨識 31-3 偵測車牌與辨識車牌 31-4 二值化處理車牌 31-5 形態學的開運算處理車牌 31-6 車牌辨識心得第32章　MediaPipe 手勢偵測與應用解析 32-1 MediaPipe 是什麼 32-1-1 Google 的影像處理解決方案 32-1-2 為什麼要用 MediaPipe 32-2 初探 MediaPipe Hands 模組 32-2-1 MediaPipe Hands 功能概覽 32-2-2 21 個關鍵點的座標定義與排列 32-2-3 如何判斷手勢 32-2-4 偵測手勢的原理 32-3 剪刀、石頭、布的程式設計思路 32-3-1 手指伸直判斷 32-3-2 程式流程規劃 32-3-3 與 OpenCV 的整合繪製 32-4 偵測手語繪製關節 32-4-1 初始化MediaPipe Hands 物件 32-4-2 建立Hands 物件 32-4-3 hands.process( ) 函數用法 32-4-4 mp_drawing.draw_landmarks( ) 函數用法 32-5 專題實作 - 剪刀、石頭與布附錄A　OpenCV 函數、名詞與具名常數索引表