第1章
本章首先简单介绍了OpenCV，接着介绍在不同的编译环境中安装OpenCV的方法，然后介绍OpenCV中常用的Python内置函数、OpenCV中的常见错误，最后带领读者初步体验OpenCV的代码。
本章的主要内容如下。
• OpenCV的安装方法。
• OpenCV中常用的Python内置函数。
• OpenCV中的常见错误。
• OpenCV代码的初步体验并了解其运行规则。
注意：
对于Python内置函数的知识务必做到实时复习，以便后面编写实例代码。
1.1
OpenCV支持多种编程语言，包括C++、Python、Java等，使用范围十分广泛。它也可以在不同的操作系统上使用，包括Windows、Linux、macOS、Android和iOS等。
OpenCV-Python库可以说是OpenCV在Python中的一种尝试，使用方法类似于Python API（Application Programming Interface，应用程序接口）。它结合了OpenCV中C++实现的API的优点和Python的最佳特性，使用起来十分方便，因而受到了用户的喜爱。
之所以选择Python来实现OpenCV，是因为Python是一种面向对象的编程语言，它的简单性和代码可读性使程序员能够用更少的代码表达思想。虽然与C、C++等语言相比，Python运行速度比较慢，但是Python可以使用C或C++轻松扩展，从而提升其自身的运行速度。这也意味着我们可以在C或C++中编写计算密集型代码，并创建可用作Python模块的Python packet包器件。这么做有两个好处：首先，代码的运行速度与原始C或C++代码一样快（因为后台运行的实际上是C或C++代码）；其次，使用Python编写代码比使用C或 C++更易上手。OpenCV-Python库就是原始OpenCV C++实现的OpenCV在Python语言中的移值。
除了OpenCV-Python模块以外，用户还可以使用NumPy模块，这是一个高度优化的数据库操作模块，使用类似于MATLAB的语法。所有OpenCV数组都可以转换为NumPy数组，这也使得OpenCV与使用NumPy的其他库的集成变得更加容易。
OpenCV支持与计算机视觉和机器学习相关的众多算法，并且应用领域正在日益扩展，大致有以下领域。
• 人机互动：类似于人机交互。
• 物体识别：通过视觉以及内部存储来进行物体的判断。
• 图像分割：ROI（Region of Interest，感兴趣区域）技术。
• 人脸识别：通过Haar（哈尔）级联等来实现。
• 动作识别：主要分为2D（二维）和3D（三维）动作识别。
• 运动追踪：通过构建掩膜来实现。
• 运动分析：基于图像追踪进行运动预测。
• 计算机视觉：多样化的图像数据分析。
• 结构分析：多平面图像的结构分析。
• 汽车安全驾驶：分析周边环境。
• 图像数据的操作：包括分配、释放、复制、设置和转换等，图像是视频的输入和输出。
• 摄像头的输入，图像和视频文件的输出。
• 矩阵和向量的操作，以及线性代数的算法程序（矩阵积、方程解、特征值以及奇异值等）。
• 各种动态数据结构：列表、队列、集合、树、图等。
• 基本的数字图像处理：滤波、边缘检测、角点检测、采样与插值、色彩转换、形态操作、直方图、图像金字塔等。
• 结构分析：连接部件、轮廓处理、距离变换、模板匹配、霍夫变换、多边形逼近、直线拟合、椭圆拟合、Delaunay（德洛奈）三角剖分等。
• 摄像头定标：发现与追踪定标模式、定标、基本矩阵估计、齐次矩阵估计、立体对应。
• 运动分析：光流、运动分割、追踪。
• 目标识别：特征法、HMM（Hidden Markov Model，隐马尔可夫模型）。