計(jì)算機(jī)視覺(jué)與圖像識(shí)別

前言
第1章 緒論
1.1 計(jì)算機(jī)視覺(jué)的目標(biāo)與任務(wù)
1.2 計(jì)算機(jī)視覺(jué)的經(jīng)典問(wèn)題
1.3 Marr的計(jì)算機(jī)視覺(jué)理論框架
1.3.1 視覺(jué)系統(tǒng)研究的三個(gè)層次
1.3.2 視覺(jué)信息處理的三個(gè)階段
1.4 攝像機(jī)成像幾何模型
1.5 攝像機(jī)參數(shù)和透視投影
1.5.1 坐標(biāo)系變換和剛體變換
1.5.2 攝像機(jī)參數(shù)和透視投影
第2章 立體視覺(jué)匹配算法
2.1 快速區(qū)域視差匹配算法
2.1.1 深度信息計(jì)算及約束條件
2.1.2 區(qū)域相關(guān)匹配和冗余計(jì)算消除
2.1.3 基于視差梯度的可變搜索范圍區(qū)域相關(guān)匹配
2.1.4 實(shí)驗(yàn)
2.2 Rank變換與匹配算法
2.2.1 基于Rank變換的匹配
2.2.2 Rank變換在彩色圖像中的應(yīng)用
2.2.3 立體匹配算法的評(píng)估方法
2.2.4 實(shí)驗(yàn)
2.3 基于相位一致性的紅外圖像匹配方法
2.3.1 相位一致性和局部能量
2.3.2 基于相位一致性的邊緣檢測(cè)
2.3.3 基于相位一致性的紅外圖像區(qū)域匹配
2.3.4 實(shí)驗(yàn)
第3章 支持向量機(jī)算法
3.1 概述
3.1.1 統(tǒng)計(jì)學(xué)習(xí)理論
3.1.2 支持向量機(jī)
3.1.3 支持向量機(jī)研究現(xiàn)狀與應(yīng)用
3.2 支持向量機(jī)求解方法
3.2.1 預(yù)備數(shù)學(xué)知識(shí)
3.2.2 二次規(guī)劃求解法
3.2.3 選塊方法
3.2.4 分解算法
3.2.5 序列最小優(yōu)化方法
3.2.6 基于lagrange函數(shù)的迭代求解方法
3.2.7 基于Smoothing處理的牛頓求解方法
3.3 L范數(shù)支持向量機(jī)算法
3.3.1 分類間隔的Lp范數(shù)表示
3.3.2 基于Lp范數(shù)分類間隔的三種支持向量機(jī)
3.3.3 L1范數(shù)支持向量機(jī)算法
3.3.4 仿真實(shí)驗(yàn)
3.4 PCA支持向量機(jī)算法
3.4.1 PCA支持向量機(jī)算法
3.4.2 KernelPCA支持向量機(jī)算法
3.4.3 加權(quán)PCA支持向量機(jī)算法
3.5 小波支持向量機(jī)算法
3.5.1 小波變換
3.5.2 小波核函數(shù)
3.5.3 小波支持向量機(jī)算法
3.5.4 算法性能分析
3.6 模糊二叉樹(shù)支持向量機(jī)算法
3.6.1 多級(jí)二叉樹(shù)分類器的構(gòu)造
3.6.2 SVM子分類器的構(gòu)造
3.6.3 模糊二叉樹(shù)支持向量機(jī)算法
第4章 人臉識(shí)別
4.1 概述
4.1.1 自動(dòng)人臉識(shí)別技術(shù)
4.1.2 人臉識(shí)別研究的意義
4.1.3 人臉檢測(cè)與定位
4.1.4 人臉識(shí)別的主要技術(shù)方法
4.1.5 人臉識(shí)別系統(tǒng)若干關(guān)鍵技術(shù)問(wèn)題
4.2 人臉檢測(cè)與跟蹤
4.2.1 Haar函數(shù)及Haar變換
4.2.2 人臉類Haar特征快速算法
4.2.3 AdaBoost級(jí)聯(lián)分類器
4.2.4 視頻人臉跟蹤
4.2.5 實(shí)驗(yàn)結(jié)果與分析
4.3 人臉關(guān)鍵特征定位與特征抽取
4.3.1 人眼檢測(cè)方法
4.3.2 實(shí)時(shí)人眼檢測(cè)算法
4.3.3 人臉歸一化與姿態(tài)校正
4.3.4 人臉Gabor特征抽取算法
4.4 基于支持向量機(jī)的人臉識(shí)別方法
4.4.1 多類分類支持向量機(jī)及其訓(xùn)練
4.4.2 識(shí)別算法性能比對(duì)
第5章 基于計(jì)算機(jī)立體視覺(jué)的障礙物檢測(cè)
5.1 概述
5.2 基于彩色圖像障礙物檢測(cè)算法
5.3 彩色圖像的分割和提取
5.3.1 彩色空間模型的選取
5.3.2 分割策略
5.3.3 目標(biāo)區(qū)域的提取
5.4 匹配和障礙物識(shí)別
5.5 實(shí)驗(yàn)
參考文獻(xiàn)