計算機視覺和機器模式識別是當(dāng)前熱門的研究領(lǐng)域， 目標(biāo)檢測和識別是其中的關(guān)鍵技術(shù)。本書以作者自身豐富的項目實踐經(jīng)驗為基礎(chǔ)， 提供了一些挑選的目標(biāo)檢測和識別方法， 特別是基于統(tǒng)計和基于張量的目標(biāo)檢測與識別方法。本書力求理論與實踐密切結(jié)合， 不僅以簡潔明了的方式提供了這些方法的理論綜述和必要的數(shù)學(xué)背景， 還提供了以C 編程語言為平臺的可用于指導(dǎo)或直接移植的實現(xiàn)代碼， 讀者可基于文中及網(wǎng)站給出的代碼開發(fā)自己工作中所需的方法。本書的實踐領(lǐng)域主要涉及汽車應(yīng)用， 包括用于路標(biāo)識別或駕駛監(jiān)控的視覺系統(tǒng)。
Bogus?aw Cyganek博士：波蘭AGH科技大學(xué)電子學(xué)系研究員及講師，IEEE, IAPR和 SIAM會員。他的研究興趣包括計算機視覺、模式識別以及可編程設(shè)備和嵌入式系統(tǒng)。他在各種期刊和學(xué)術(shù)會議單獨或與他人合作90余篇，共出版著作4種。
目 錄
第1章 引言
1.1 計算機視覺的一個例子
1.2 全書內(nèi)容概覽
參考文獻
第2章 計算機視覺中的張量方法
2.1 摘要
2.2 張量——一個數(shù)學(xué)對象
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)對象
2.4 張量的基本屬性
2.4.1 張量指標(biāo)和分量的符號
2.4.2 張量積
2.5 張量距離測量
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)計濾波
2.6.2 各向異性擴散濾波
2.6.3 擴散過程的實現(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多視點幾何： 多焦點張量
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的計算
2.12.4 HOSVD誘導(dǎo)基
2.12.5 張量秩1近似
2.12.6 張量的秩1分解
2.12.7 秩(R1, R2, …, RP)近似
2.12.8 秩(R1, R2,…, RP)近似的計算
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)矩陣因子分解的實現(xiàn)
2.12.14非負(fù)張量因子分解
2.12.15目標(biāo)識別的多線性方法
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
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)識別的統(tǒng)計公式
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 較大后驗分類方案
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)的實現(xiàn)
3.9.5 形態(tài)神經(jīng)網(wǎng)絡(luò)
3.10視覺模式識別中的核
3.10.1 核函數(shù)
3.10.2 核的實現(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)量的測量
3.11.5 實現(xiàn)問題
3.12支持向量域描述
3.12.1 支持向量機的實現(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
第4章 目標(biāo)檢測和跟蹤
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 實例研究——人類皮膚檢測
4.2.3 實例研究——基于像素的路標(biāo)檢測
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
4.3.1 線段的檢測
4.3.2 凸形狀的UpWrite檢測
4.4 圖形檢測
4.4.1 從特征點進行的規(guī)則形狀檢測
4.4.2 顯著點的聚類
4.4.3 自適應(yīng)窗生長方法
4.4.4 圖形驗證
4.4.5 實例研究——路標(biāo)檢測系統(tǒng)
4.5 實例研究——路標(biāo)跟蹤和識別
4.6 實例研究——用于目標(biāo)跟蹤的框架
4.7 行人檢測
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
第5章 目標(biāo)識別
5.1 摘要
5.2 從張量相位直方圖和形態(tài)尺度空間進行的識別
5.2.1 在形態(tài)尺度中張量相位直方圖的計算
5.2.2 張量相位直方圖的匹配
5.2.3 實例研究——在形態(tài)尺度空間中采用張量相位直方圖進行的目標(biāo)識別
5.3 基于不變量的識別
5.3.1 實例研究——采用仿射不變矩的象形圖識別
5.4 基于模板的識別
5.4.1 用于路標(biāo)識別的模板匹配
5.4.2 用于模板匹配的專用距離
5.4.3 采用對數(shù)極坐標(biāo)和尺度空間進行的識別
5.5 從可變形模型進行的識別
5.6 分類器集成
5.7 實例研究——用于從變形原型中進行路標(biāo)識別的分類器集成
5.7.1 路標(biāo)識別系統(tǒng)的體系結(jié)構(gòu)
5.7.2 用于警告標(biāo)志識別的模塊
5.7.3 仲裁單元
5.8 基于張量分解的識別
5.8.1 在由模式張量HOSVD分解所張成的子空間中進行的模式識別
5.8.2 實例研究——基于采用可變形模式原型的張量分解的路標(biāo)識別系統(tǒng)
5.8.3 實例研究——采用張量分解方法進行的手寫數(shù)字識別
5.8.4 張量子空間分類器的實現(xiàn)
5.9 用于駕駛員狀態(tài)監(jiān)控的人眼識別
5.10目標(biāo)分類識別
5.10.1 基于部分的目標(biāo)識別
5.10.2 采用視覺詞袋的識別
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
附錄A
