Learning OpenCV 5 Computer Vision with Python, 4th Edition
Joseph Howse, Joe Minichino
- Editorial
- Packt
- Año
- 2024
- Páginas
- ~358
- Nivel
- Básico
De qué trata
Cuarta edición de la emblemática guía práctica de Joseph Howse y Joe Minichino, actualizada por Packt Publishing para acompañar el ecosistema de OpenCV 5 junto con Python 3. Está pensada para desarrolladores de software, estudiantes y entusiastas que poseen conocimientos básicos de Python y desean aprender visión computacional desde cero adoptando una estructura de programación orientada a objetos limpia, modular y orientada a aplicaciones reales.
El contenido introduce la configuración del entorno y el manejo modular de ficheros multimedia, cámaras web y ventanas de visualización, avanzando hacia el filtrado convolucional, curvas tonales y realce de bordes. Detalla la estimación de profundidad y segmentación con cámaras RGB-D y el algoritmo GrabCut, detección y reconocimiento facial (cascadas de Haar, Eigenfaces, Fisherfaces y LBPH), extracción de descriptores visuales (ORB, SIFT) para búsqueda de imágenes por similitud, entrenamiento de detectores de objetos personalizados mediante HOG y Support Vector Machines (SVM), algoritmos de seguimiento de movimiento (Lucas-Kanade, MeanShift, CamShift), calibración de cámaras, realidad aumentada, y nociones de reconstrucción tridimensional y navegación autónoma. Emplea OpenCV 5 (incluyendo módulos de opencv_contrib), NumPy, SciPy, Matplotlib y clasificadores Haar/HOG.
El núcleo metodológico del libro es el desarrollo incremental de «Cameo», una aplicación de escritorio completa para captura y procesamiento interactivo de vídeo que se va enriqueciendo a lo largo de los capítulos con clases de gestión (CaptureManager y WindowManager), filtros en tiempo real, reconocimiento facial y superposiciones de realidad aumentada. Su principal virtud es enseñar a escribir código de visión profesional y mantenible, alejándose de simples scripts sueltos. Si bien abarca modelos de aprendizaje supervisado tradicionales con SVM, no se enfoca en el diseño ni entrenamiento masivo de arquitecturas de deep learning complejas, para lo cual conviene complementar con literatura especializada en redes neuronales.
- OpenCV 5
- Python 3
- NumPy
- Gestión de vídeo y GUIs
- Estimación de profundidad y GrabCut
- Detección y reconocimiento facial
- Descriptores visuales (ORB y SIFT)
- Seguimiento de objetos (CamShift)
- Realidad aumentada
- Arquitectura orientada a objetos
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Cameo: aplicación de escritorio para captura y filtrado de vídeo
Aplicación modular con arquitectura orientada a objetos que gestiona ventanas y transmisiones de cámara web en directo para aplicar filtros convolucionales, curvas de color y grabar secuencias a disco.
Módulo de detección y reconocimiento facial en tiempo real
Componente integrado en Cameo que detecta rostros mediante clasificadores en cascada de Haar, reconoce identidades entrenadas con algoritmos LBPH o Eigenfaces y aplica máscaras interactivas.
Sistema de realidad aumentada y seguimiento de superficies
Calcula la calibración y el plano de referencia de la cámara mediante correspondencia de descriptores de características (ORB/SIFT) para superponer gráficos interactivos sobre objetos reales.
