可以从 。
OpenCV的应用场景
OPENCV提供了python接口，我们可以用python很方便的完成一些 东西的识别。
自从测试版本在 1999 年 1 月发布以来，OpenCV 已经广泛用于许多 应用、产品以及科研工作中。这些应用包括在卫星和网络地图上拼接图像，图 像扫描校准，医学图像的降噪，目标分析，安保以及工业检测系统，自动驾驶 和安全系统，制造感知系统，相机校正，军事应用，无人空中、地面、水下航 行器。
7：模型应用 模型训练完成后，将模型保存起来，当要实际应用时，则通过加载模型，输入图像进行应用
OpenVino介绍
OpenVINO™工具包可快速部署模拟人类视觉的应用程序和解决方案。该工具包基于卷积神经 网络（CNN），可扩展英特尔®硬件的计算机视觉（CV）工作负载，从而最大限度地提高性 能。 OpenVINO包括组件： 深度学习模型优化器 - 一种跨平台的命令行工具，用于导入模型并使用推理引擎为最佳执行 做 好准备。模型优化器导入，转换和优化模型，这些模型在流行的框架中训练，例如Caffe * ， TensorFlow *，MXNet *，Kaldi *和ONNX *。 深度学习推理引擎 - 一种统一的API，允许对许多硬件类型进行高性能推断，包括英特尔 ®CPU，英特尔®集成显卡，英特尔®Movidius™神经计算棒，英特尔®神经计算棒2和采用英 特尔®的英特尔®视觉加速器设计Movidius™VPU 演示和示例 - 一组简单的控制台应用程序，演示如何在应用程序中使用推理引擎 工具 - 一组简单的控制台工具，用于校准和测量模型的精度 预先训练的模型 - 一套用于学习和演示目的的预训练模型或开发深度学习软件
二维码识别过程
二维码识别过程： 二维码识别过程大概分三个步骤 获取二维码画面 算法获取关键定位点，获取信息 对信息进行解码和返回结果
同样对于aikit来说，二维码识别也分三个步骤 通过opencv调用摄像头，一帧一帧的获取画面 把获取到的画面进行图像处理（灰度，彩色等） 把处理后的画面通过 pyzbar中的函数进行处理，并返回识别结果。
OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库， 可以运行在Linux、Windows、Android和Mac少量 C++ 类构成，同时提供了Python、Java、 Go等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
识别效果：
认识二维码
二维码内部的信息其实就是平面二进制，按照一定的编码规则，把信息存 入二维码。
QR码设有1到40的不同版本（种类)，每个 版本都具备固有的码元结构(码元数)。（码 元是指构成QR码的方形黑白点。) “码元 结构”是指二维码中的码元数。从版 本 1(21码元×21码元)开始，在纵向和横向 各 自以4码元为单位递增，一直到版本 40(177码元×177码元)。
二维码与物体识别
机器人视觉系统
机器视觉的总体目标是识别隐藏在像素组成的世界中物体的结构。 Opencv，OpenNI，和PCL是ROS机器人视觉系统的三大支柱。
Opencv 被用于2D图像处理和机器学习 OpenNI 提供一些深度相机的驱动和库来实现骨架追踪 PCL 点云库，是处理3D点云的一个选择工具
生成二维码
现在有很多二维码在线生成工具，这类的工具可以在微信小程序，手机APP， 甚至chrome的扩展插件中可以找到。我们可以很方便的生成自己想要的二 维码。
实战：二维码识别
1：通过各种工具生成自己的二维码。 2：通过编写python脚本，通过调用Ai-kit相机（或自带相机）识别出来。
注意：由于不同工具所使用的编码可能不相同，pyzbar有可能会识别出乱码。
人工智能学习步骤：
步骤
1：准备数据 准备数据是训练模型的第一步，基础数据可以是网上公开的数据集，也可以是自己的数据集。 视觉、语音、语言等各种类型的数据在网上都能找到相应的数据集。
2：数据预处理 在准备好基础数据之后，需要根据模型需要对基础数据进行相应的预处理。
3：划分数据集 在训练模型之前，需要将样本数据划分为训练集、测试集，有些情况下还会划分为训练集、测 试集、验证集。
物体识别实战
roslaunch movidius_ncs_launch ncs_unch cnn_type:=mobilenetssd camera:=usb roslaunch movidius_ncs_launch ncs_stream_detection_unch camera_topic:='/usb_cam/image_raw'
机器视觉体验
OPENCV 在ROS机器人上的应用讲解 Opencv在ai-kit机器人上的demo体验
颜色追踪
• 操作实践 • 原理讲解
面部追踪
• 操作实践 • 原理讲解
读取和显示图片
read_show.py
用摄像头捕获视频
take_video.py
二维码识别：
qrcode_demo.py
4：配置模型 接下来是选择模型、配置模型参数，建议先阅读深度学习经典模型的文章，便于快速掌握深度 学习模型的相关知识。
5：训练模型（训练本质上就是寻找最佳参数） 接下来便是根据选择好的模型，构建网络，然后开始训练。
6：评估优化 在使用训练数据完成模型的训练之后，再使用测试数据进行测试，了解模型的泛化能力。