序四

非常荣幸能为本书作序，这是一本视觉工程师必备的OpenCV深度学习开发指南。

深度学习技术的兴起，极大地促进了图像、视频相关应用的发展。现在，类似人脸动画、人体动作识别等高级别视觉任务等需要用到深度学习技术，甚至最近深度学习也在悄悄进入图片、视频压缩、质量增强等低级别视觉任务领域。

一方面，我们使用深度学习技术时需要在性能强大的服务器上训练模型；另一方面，我们需要将模型部署到移动、嵌入式、物联网设备端等。后者往往更具挑战性。

OpenCV作为计算机视觉领域最具影响力的开发工具，在模型推理部署方面也做了大量工作，其DNN模块为此提供了丰富的技术支持。但仅仅有官方文档和少量例程并不够，长久以来，业界迫切需要一本深入解析DNN模块相关技术的参考书，而本书恰好满足了广大读者的需求。

作为一直从事计算机视觉算法研究与开发的工程师，我经常关注OpenCV的新版本和新特性，在最近几次的版本更新中，深度学习DNN模块都是OpenCV开发的重点。OpenCV提供了大量基础且重要的视觉算法的实现，是快速进行产品原型开发验证的首选工具，其深度学习模块也提供了大量的方便实用的功能，是深度学习模型快速部署的重要工具。

图像和视频的应用计算量通常很大，在产品开发中后期，算法工程师更多的工作往往是程序优化，如何最大化利用硬件计算能力、减少计算冗余是颇具挑战的事情。

本书深入解析了OpenCV DNN模块，详述了深度学习引擎的性能优化策略，介绍了在GPU和CPU上进行计算加速的方法，并通过涵盖计算机视觉主流应用的几个案例展示如何在OpenCV中使用深度学习，最后则带着大家完整实现一个人脸活体检测与识别的大项目。本书提供的案例，紧跟技术前沿，贴近实际应用场景，相信对参与工程项目开发的读者具有直接的参考价值。

对于想要学习OpenCV DNN深度学习模块，并将其应用到工程实践中的读者，这无疑是一本首选参考书。

技术是不断迭代更新的，但思想可以让我们走得更远。值得一提的是，本书介绍的优化策略和加速方法，对于开发其他视觉算法也大有裨益。

强烈建议大家不要只停留在读这本书，而要动手把书里的程序跑起来，将书中介绍的方法用起来，当你成功让一段程序取得几倍加速后，你一定会获得巨大的成就感！

周强（CV君）

“我爱计算机视觉”公众号负责人