力荐！计算机视觉开源工具中的瑞士军刀—Dlib最新高级特性教程

OpenCV是计算机视觉开源工具中妇孺皆知的，但Dlib绝对是这几年快速上升的一颗新星，它并不追求大而全，但它实现的每一个模块和特性，都几乎是高质量开源算法的典范。

在刚刚结束的PyImageConf2018会议上，大名鼎鼎的Dlib库的创建者Davis King做了一个关于目标检测的报告，并举办了关于Dlib的含有40个新的开源Demo的各种计算机视觉与机器学习技术演示的WorkShop。展示了Dlib的强大锐利，是学习Dlib使用的绝佳资料，作者已将相关PPT、代码、数据开源，非常值得推荐！

Davis King本尊一直供职于工业界，热衷开源技术分享，最近今年尤其关注于计算机视觉与深度学习工具的构建，Dlib库中无论是其传统的HOG+SVM目标检测、高精度超快速广泛使用的人脸对齐，还是基于CNN的目标检测与人脸验证，Dlib每一次新特性和Demo的添加，几乎都是将学术界state-of-the-art技术实用化，令人印象深刻！

这次题为《Finding things in images How does that work? 》的目标检测报告，作者从滑动窗口讲到HOG检测器及其优化，并介绍了Dlib中基于图像金字塔的CNN目标检测，其速度很快且相比于SSD算法其对小目标检测性能更好，并分享了影响目标检测性能的一些因素，比如训练数据数量和质量及超参数的优化等，详细内容PPT查看。

在关于Dlib使用的WorkShop中，Davis King通过40个新的Python例子代码展示了Dlib解决目标检测问题从数据标注到训练模型到参数优化的方方面面，你会发现原来Python-Dlib这么简单（是的，有些功能只需要几行代码！），作者同时展示了Dlib中其他一些有趣功能和实践示例，每份代码都值得细读并在你的机器上跑一遍。

下面是这40个例子的主要功能：

001——训练HOG检测器；

002——运行HOG检测器；

003——为人脸特征点检测制作人脸图像数据和XML文件；

004——训练人脸特征点检测模型；

005——运行人脸特征点检测模型；

006——匈牙利算法；

007——8像素步长的HOG检测；

008——制作包围盒回归训练数据集；

009——训练目标检测中包围盒回归模型；

010——检测人脸并进行精确的包围盒回归定位；

011——全局最优化方法（这是Davis King强烈安利的新特性！）；

012——训练包围盒回归模型并进行超参数搜索；

013——在视频中检测人脸并进行包围盒回归位置提精和卡尔曼滤波；

014——可分离滤波器；

015——训练nuclear norm的HOG检测器；

016——运行nuclear norm的HOG检测器；

017——训练多个HOG检测器；

018——运行多个HOG检测器；

019——训练多个HOG检测器并进行超参数优化；

020——图像哈希；

021-023——使用联通域分析进行斑点检测，并进行速度优化；

024——边缘检测并找直线；

025-026——通过梯度计算亮斑；

027——霍夫变换；

028-034——通过霍夫变换定位图像中的纸张；

035——通过mbd方法定位视频中旋转的指尖陀螺；

036——通过MSER进行文本检测；

037——训练RBF核的SVM的二类问题，自动优化最优参数（Dlib中的AutoML）；

038——求和运算的缓存SIMD优化；

039——多线程数据加载；

040——使用CUDA进行矩阵运算加速。

Github地址：

https://github.com/davisking/pyimageconf2018