今天和明天來了解了解圖像處理與電腦視覺基礎知識。
今天想著重在「OpenCV」的學習。

OpenCV（Open Source Computer Vision Library）是一個開源的計算機視覺和圖像處理庫，最初由 Intel 開發，現由 OpenCV 團隊維護。它提供了數百種針對圖像處理、視頻分析、機器學習和計算機視覺應用的算法，廣泛應用於人工智慧、機器學習、無人駕駛、工業檢測等領域。

OpenCV 的主要功能：
圖像處理：支持圖像讀取、編輯、處理（如圖像濾波、邊緣檢測、形態學操作等）和轉換（如顏色空間轉換）。
視頻處理：能夠讀取和處理視頻流，進行視頻分析（如運動檢測、物體跟蹤等）。
特徵檢測與匹配：支持多種特徵檢測技術（如 SIFT、SURF、ORB），並可用於物體識別和分類。
人臉識別與檢測：內置多種級聯分類器，可輕鬆實現人臉檢測、眼睛檢測等應用。
機器學習：支持各種機器學習算法（如 SVM、KNN、決策樹等），可用於模式識別、分類等任務。
3D 重建與攝像機校正：處理多視角圖像，實現深度估計和 3D 重建。

OpenCV 的應用場景：
人臉識別：OpenCV 能夠通過 Haar 特徵分類器或深度學習模型進行人臉檢測和識別。
物體識別與跟蹤：如自動駕駛中的車輛、行人識別和跟蹤。
圖像增強與修復：如圖像去噪、修復損壞的圖像。
動作識別：分析視頻中的動作，應用於監控系統和娛樂行業。
OpenCV 支持多種語言，如 C++、Python、Java，並且可以在 Windows、Linux、MacOS 和 Android 等平台上運行。Python API 特別受歡迎，因為它簡單且易於與其他機器學習庫（如 TensorFlow 和 PyTorch）集成。

OpenCV 與 AI 人臉識別的結合方式

1.人臉檢測（Face Detection）：
OpenCV 提供的工具：
OpenCV 的 Haar Cascade Classifier 是一種傳統的人臉檢測算法，能夠基於 Haar 特徵快速檢測出圖像中的人臉。這是一個經典的基於統計學的分類器，能夠檢測人臉、眼睛、嘴巴等。
dlib 和 OpenCV 集成也可實現更精確的面部檢測。
結合深度學習：
使用 OpenCV 加載 深度學習模型（如 ResNet、MTCNN、FaceNet）進行人臉檢測。這些模型能夠更精確地在各種角度和光線條件下檢測到人臉，並且處理像素變化。
OpenCV 支持 DNN 模塊（Deep Neural Network），可以載入訓練好的深度學習模型進行推斷，例如使用 Caffe、TensorFlow 等框架訓練的人臉檢測模型。
人臉識別（Face Recognition）：

2.特徵提取：
OpenCV 可以與深度學習模型結合來提取人臉特徵，這些特徵可被表示為一組向量（稱為 embedding），用來區分不同的個體。常見的模型如 FaceNet、DeepFace 等，能夠將人臉轉換成嵌入向量，這些向量可以用來進行身份識別。
OpenCV 與 FaceNet：OpenCV 的 DNN 模組可以加載 FaceNet 模型，將圖像中的人臉提取為128維特徵向量，再通過 KNN 或 SVM 等機器學習算法進行分類或匹配。

3.識別與分類：
OpenCV 提供了與 K最近鄰算法（KNN）、支持向量機（SVM） 和其他分類算法的集成，可以使用這些分類器來將提取的面部特徵向量與已知的臉部進行匹配。當我們獲取到一張新的人臉圖像時，可以將其特徵向量與已存的向量庫進行比對，從而進行身份識別。
面部特徵點檢測與追蹤：

4.應用場景：識別面部的關鍵特徵點（如眼睛、鼻子、嘴巴的輪廓），以及追蹤這些特徵點的運動軌跡，用於表情分析或情緒識別。
OpenCV 可以通過特徵點檢測技術來提取臉部的68個關鍵點，然後結合深度學習模型分析面部表情或情緒狀態。
視頻流中的人臉識別：
使用 OpenCV 可以處理實時的視頻流，並在每一幀中檢測和識別人臉。結合深度學習的模型，如通過 cv2.VideoCapture() 方法獲取攝像頭視頻流，並在每一幀中進行人臉檢測和識別。