數(shù)字圖像目標(biāo)檢測(cè)與識(shí)別：理論與實(shí)踐

目 錄第1章 引言1.1 計(jì)算機(jī)視覺的一個(gè)例子1.2 全書內(nèi)容概覽參考文獻(xiàn)第2章 計(jì)算機(jī)視覺中的張量方法2.1 摘要2.2 張量——一個(gè)數(shù)學(xué)對(duì)象 2.2.1 線性空間的主要屬性 2.2.2 張量的概念2.3 張量——數(shù)據(jù)對(duì)象2.4 張量的基本屬性 2.4.1 張量指標(biāo)和分量的符號(hào) 2.4.2 張量積2.5 張量距離測(cè)量 2.5.1 張量距離概述 2.5.2 歐幾里得圖像距離和標(biāo)準(zhǔn)化變換2.6 張量場的濾波 2.6.1 張量數(shù)據(jù)的順序統(tǒng)計(jì)濾波 2.6.2 各向異性擴(kuò)散濾波 2.6.3 擴(kuò)散過程的實(shí)現(xiàn)2.7 采用結(jié)構(gòu)張量觀察圖像 2.7.1 二維圖像空間中的結(jié)構(gòu)張量 2.7.2 空時(shí)結(jié)構(gòu)張量 2.7.3 多通道和尺度空間結(jié)構(gòu)張量 2.7.4 擴(kuò)展結(jié)構(gòu)張量2.8 采用慣性張量和矩的目標(biāo)表示2.9 張量的特征分解和表示2.10張量不變量2.11多視點(diǎn)幾何： 多焦點(diǎn)張量2.12多線性張量方法 2.12.1 多線性代數(shù)的基本概念 2.12.2 高階奇異值分解(HOSVD) 2.12.3 HOSVD的計(jì)算 2.12.4 HOSVD誘導(dǎo)基 2.12.5 張量最佳秩1近似 2.12.6 張量的秩1分解 2.12.7 最佳秩（R1, R2, …, RP）近似 2.12.8 最佳秩(R1, R2,…, RP)近似的計(jì)算 2.12.9 子空間數(shù)據(jù)表示 2.12.10非負(fù)矩陣因子分解 2.12.11非負(fù)矩陣因子分解的計(jì)算 2.12.12采用NMF的圖像表示 2.12.13非負(fù)矩陣因子分解的實(shí)現(xiàn) 2.12.14非負(fù)張量因子分解 2.12.15目標(biāo)識(shí)別的多線性方法2.13結(jié)束語 2.13.1 本章小結(jié) 2.13.2 延伸閱讀習(xí)題參考文獻(xiàn)第3章 分類方法和算法3.1 摘要3.2 分類框架3.3 用于目標(biāo)識(shí)別的子空間方法 3.3.1 主成分分析 3.3.2 子空間模式分類3.4 目標(biāo)識(shí)別的統(tǒng)計(jì)公式 3.4.1 參數(shù)化和非參數(shù)化方法 3.4.2 概率框架 3.4.3 貝葉斯決策規(guī)則 3.4.4 最大后驗(yàn)分類方案 3.4.5 二元分類問題3.5 參數(shù)化方法——混合高斯3.6 卡爾曼濾波器 3.7 非參數(shù)化方法 3.7.1 基于直方圖的技術(shù) 3.7.2 比較直方圖 3.7.3 多維直方圖的實(shí)現(xiàn) 3.7.4 Parzen方法3.8 均值移位方法 3.8.1 均值移位簡介 3.8.2 連續(xù)自適應(yīng)均值移位方法 3.8.3 均值移位跟蹤的算法方面 3.8.4 CamShift方法的實(shí)現(xiàn)3.9 神經(jīng)網(wǎng)絡(luò) 3.9.1 概率神經(jīng)網(wǎng)絡(luò) 3.9.2 概率神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn) 3.9.3 漢明神經(jīng)網(wǎng)絡(luò) 3.9.4 漢明神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn) 3.9.5 形態(tài)神經(jīng)網(wǎng)絡(luò)3.10視覺模式識(shí)別中的核 3.10.1 核函數(shù) 3.10.2 核的實(shí)現(xiàn) 3.11數(shù)據(jù)聚類 3.11.1 k均值方法 3.11.2 模糊c均值 3.11.3 核模糊c均值 3.11.4 聚類質(zhì)量的測(cè)量 3.11.5 實(shí)現(xiàn)問題3.12支持向量域描述 3.12.1 支持向量機(jī)的實(shí)現(xiàn) 3.12.2 一類分類器集成的體系結(jié)構(gòu)3.13本章附錄——用于模式分類的MATLAB和其他軟件包3.14結(jié)束語 3.14.1 本章小結(jié) 3.14.2 延伸閱讀習(xí)題參考文獻(xiàn)第4章 目標(biāo)檢測(cè)和跟蹤4.1 簡介4.2 直接像素分類 4.2.1 基準(zhǔn)數(shù)據(jù)采集 4.2.2 實(shí)例研究——人類皮膚檢測(cè) 4.2.3 實(shí)例研究——基于像素的路標(biāo)檢測(cè) 4.2.4 采用分類器集成的基于像素的圖像分割4.3 基本形狀檢測(cè) 4.3.1 線段的檢測(cè) 4.3.2 凸形狀的UpWrite檢測(cè)4.4 圖形檢測(cè) 4.4.1 從特征點(diǎn)進(jìn)行的規(guī)則形狀檢測(cè) 4.4.2 顯著點(diǎn)的聚類 4.4.3 自適應(yīng)窗生長方法 4.4.4 圖形驗(yàn)證 4.4.5 實(shí)例研究——路標(biāo)檢測(cè)系統(tǒng)4.5 實(shí)例研究——路標(biāo)跟蹤和識(shí)別4.6 實(shí)例研究——用于目標(biāo)跟蹤的框架4.7 行人檢測(cè)4.8 結(jié)束語 4.8.1 本章小結(jié) 4.8.2 延伸閱讀習(xí)題參考文獻(xiàn)第5章 目標(biāo)識(shí)別5.1 摘要5.2 從張量相位直方圖和形態(tài)尺度空間進(jìn)行的識(shí)別 5.2.1 在形態(tài)尺度中張量相位直方圖的計(jì)算 5.2.2 張量相位直方圖的匹配 5.2.3 實(shí)例研究——在形態(tài)尺度空間中采用張量相位直方圖進(jìn)行的目標(biāo)識(shí)別5.3 基于不變量的識(shí)別 5.3.1 實(shí)例研究——采用仿射不變矩的象形圖識(shí)別5.4 基于模板的識(shí)別 5.4.1 用于路標(biāo)識(shí)別的模板匹配 5.4.2 用于模板匹配的專用距離 5.4.3 采用對(duì)數(shù)極坐標(biāo)和尺度空間進(jìn)行的識(shí)別5.5 從可變形模型進(jìn)行的識(shí)別5.6 分類器集成5.7 實(shí)例研究——用于從變形原型中進(jìn)行路標(biāo)識(shí)別的分類器集成 5.7.1 路標(biāo)識(shí)別系統(tǒng)的體系結(jié)構(gòu) 5.7.2 用于警告標(biāo)志識(shí)別的模塊 5.7.3 仲裁單元5.8 基于張量分解的識(shí)別 5.8.1 在由模式張量HOSVD分解所張成的子空間中進(jìn)行的模式識(shí)別 5.8.2 實(shí)例研究——基于采用可變形模式原型的張量分解的路標(biāo)識(shí)別系統(tǒng) 5.8.3 實(shí)例研究——采用張量分解方法進(jìn)行的手寫數(shù)字識(shí)別 5.8.4 張量子空間分類器的實(shí)現(xiàn)5.9 用于駕駛員狀態(tài)監(jiān)控的人眼識(shí)別5.10目標(biāo)分類識(shí)別 5.10.1 基于部分的目標(biāo)識(shí)別 5.10.2 采用視覺詞袋的識(shí)別5.11結(jié)束語 5.11.1 本章小結(jié) 5.11.2 延伸閱讀習(xí)題參考文獻(xiàn)附錄A