相關商品
商品簡介
目次
商品簡介
電腦視覺和機器模式識別是當前熱門的研究領域， 目標檢測和識別是其中的關鍵技術。本書以作者自身豐富的專案實踐經驗為基礎， 提供了一些優選的目標檢測和識別方法， 特別是基於統計和基於張量的目標檢測與識別方法。本書力求理論與實踐密切結合， 不僅以簡潔明瞭的方式提供了這些方法的理論綜述和必要的數學背景， 還提供了以C++程式設計語言為平臺的可用於指導或直接移植的實現代碼， 讀者可基於文中及網站給出的代碼開發自己工作中所需的方法。本書的實踐領域主要涉及汽車應用， 包括用於路標識別或駕駛監控的視覺系統。
目次
目 錄
第1章 引言
1.1 電腦視覺的一個例子
1.2 全書內容概覽
參考文獻
第2章 電腦視覺中的張量方法
2.1 摘要
2.2 張量——一個數學物件
2.2.1 線性空間的主要屬性
2.2.2 張量的概念
2.3 張量——資料物件
2.4 張量的基本屬性
2.4.1 張量指標和分量的符號
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 歐幾裡得圖像距離和標準化變換
2.6 張量場的濾波
2.6.1 張量資料的順序統計濾波
2.6.2 各向異性擴散濾波
2.6.3 擴散過程的實現
2.7 採用結構張量觀察圖像
2.7.1 二維圖像空間中的結構張量
2.7.2 空時結構張量
2.7.3 多通道和尺度空間結構張量
2.7.4 擴展結構張量
2.8 採用慣性張量和矩的目標表示
2.9 張量的特徵分解和表示
2.10張量不變數
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)近似的計算
2.12.9 子空間資料表示
2.12.10非負矩陣因數分解
2.12.11非負矩陣因數分解的計算
2.12.12採用NMF的圖像表示
2.12.13非負矩陣因數分解的實現
2.12.14非負張量因數分解
2.12.15目標識別的多線性方法
2.13結束語
2.13.1 本章小結
2.13.2 延伸閱讀
習題
參考文獻
第3章 分類方法和演算法
3.1 摘要
3.2 分類框架
3.3 用於目標識別的子空間方法
3.3.1 主成分分析
3.3.2 子空間模式分類
3.4 目標識別的統計公式
3.4.1 參數化和非參數化方法
3.4.2 概率框架
3.4.3 貝葉斯決策規則
3.4.4 最大後驗分類方案
3.4.5 二元分類問題
3.5 參數化方法——混合高斯
3.6 卡爾曼濾波器
3.7 非參數化方法
3.7.1 基於長條圖的技術
3.7.2 比較長條圖
3.7.3 多維長條圖的實現
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 連續自我調整均值移位方法
3.8.3 均值移位元跟蹤的演算法方面
3.8.4 CamShift方法的實現
3.9 神經網路
3.9.1 概率神經網路
3.9.2 概率神經網路的實現
3.9.3 漢明神經網路
3.9.4 漢明神經網路的實現
3.9.5 形態神經網路
3.10視覺模式識別中的核
3.10.1 核函數
3.10.2 核的實現
3.11數據聚類
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 聚類品質的測量
3.11.5 實現問題
3.12支持向量域描述
3.12.1 支持向量機的實現
3.12.2 一類分類器集成的體系結構
3.13本章附錄——用於模式分類的MATLAB和其他套裝軟體
3.14結束語
3.14.1 本章小結
3.14.2 延伸閱讀
習題
參考文獻
第4章 目標檢測和跟蹤
4.1 簡介
4.2 直接圖元分類
4.2.1 基準資料獲取
4.2.2 實例研究——人類皮膚檢測
4.2.3 實例研究——基於圖元的路標檢測
4.2.4 採用分類器集成的基於圖元的圖像分割
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 從特徵點進行的規則形狀檢測
4.4.2 顯著點的聚類
4.4.3 自我調整窗生長方法
4.4.4 圖形驗證
4.4.5 實例研究——路標檢測系統
4.5 實例研究——路標跟蹤和識別
4.6 實例研究——用於目標跟蹤的框架
4.7 行人檢測
4.8 結束語
4.8.1 本章小結
4.8.2 延伸閱讀
習題
參考文獻
第5章 目標識別
5.1 摘要
5.2 從張量相位長條圖和形態尺度空間進行的識別
5.2.1 在形態尺度中張量相位長條圖的計算
5.2.2 張量相位長條圖的匹配
5.2.3 實例研究——在形態尺度空間中採用張量相位長條圖進行的目標識別
5.3 基於不變數的識別
5.3.1 實例研究——採用仿射不變矩的象形圖識別
5.4 基於範本的識別
5.4.1 用於路標識別的範本匹配
5.4.2 用於範本匹配的專用距離
5.4.3 採用對數極座標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——用於從變形原型中進行路標識別的分類器集成
5.7.1 路標識別系統的體系結構
5.7.2 用於警告標誌識別的模組
5.7.3 仲裁單元
5.8 基於張量分解的識別
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——基於採用可變形模式原型的張量分解的路標識別系統
5.8.3 實例研究——採用張量分解方法進行的手寫數位識別
5.8.4 張量子空間分類器的實現
5.9 用於駕駛員狀態監控的人眼識別
5.10目標分類識別
5.10.1 基於部分的目標識別
5.10.2 採用視覺詞袋的識別
5.11結束語
5.11.1 本章小結
5.11.2 延伸閱讀
習題
參考文獻
附錄A
第1章 引言
1.1 電腦視覺的一個例子
1.2 全書內容概覽
參考文獻
第2章 電腦視覺中的張量方法
2.1 摘要
2.2 張量——一個數學物件
2.2.1 線性空間的主要屬性
2.2.2 張量的概念
2.3 張量——資料物件
2.4 張量的基本屬性
2.4.1 張量指標和分量的符號
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 歐幾裡得圖像距離和標準化變換
2.6 張量場的濾波
2.6.1 張量資料的順序統計濾波
2.6.2 各向異性擴散濾波
2.6.3 擴散過程的實現
2.7 採用結構張量觀察圖像
2.7.1 二維圖像空間中的結構張量
2.7.2 空時結構張量
2.7.3 多通道和尺度空間結構張量
2.7.4 擴展結構張量
2.8 採用慣性張量和矩的目標表示
2.9 張量的特徵分解和表示
2.10張量不變數
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)近似的計算
2.12.9 子空間資料表示
2.12.10非負矩陣因數分解
2.12.11非負矩陣因數分解的計算
2.12.12採用NMF的圖像表示
2.12.13非負矩陣因數分解的實現
2.12.14非負張量因數分解
2.12.15目標識別的多線性方法
2.13結束語
2.13.1 本章小結
2.13.2 延伸閱讀
習題
參考文獻
第3章 分類方法和演算法
3.1 摘要
3.2 分類框架
3.3 用於目標識別的子空間方法
3.3.1 主成分分析
3.3.2 子空間模式分類
3.4 目標識別的統計公式
3.4.1 參數化和非參數化方法
3.4.2 概率框架
3.4.3 貝葉斯決策規則
3.4.4 最大後驗分類方案
3.4.5 二元分類問題
3.5 參數化方法——混合高斯
3.6 卡爾曼濾波器
3.7 非參數化方法
3.7.1 基於長條圖的技術
3.7.2 比較長條圖
3.7.3 多維長條圖的實現
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 連續自我調整均值移位方法
3.8.3 均值移位元跟蹤的演算法方面
3.8.4 CamShift方法的實現
3.9 神經網路
3.9.1 概率神經網路
3.9.2 概率神經網路的實現
3.9.3 漢明神經網路
3.9.4 漢明神經網路的實現
3.9.5 形態神經網路
3.10視覺模式識別中的核
3.10.1 核函數
3.10.2 核的實現
3.11數據聚類
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 聚類品質的測量
3.11.5 實現問題
3.12支持向量域描述
3.12.1 支持向量機的實現
3.12.2 一類分類器集成的體系結構
3.13本章附錄——用於模式分類的MATLAB和其他套裝軟體
3.14結束語
3.14.1 本章小結
3.14.2 延伸閱讀
習題
參考文獻
第4章 目標檢測和跟蹤
4.1 簡介
4.2 直接圖元分類
4.2.1 基準資料獲取
4.2.2 實例研究——人類皮膚檢測
4.2.3 實例研究——基於圖元的路標檢測
4.2.4 採用分類器集成的基於圖元的圖像分割
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 從特徵點進行的規則形狀檢測
4.4.2 顯著點的聚類
4.4.3 自我調整窗生長方法
4.4.4 圖形驗證
4.4.5 實例研究——路標檢測系統
4.5 實例研究——路標跟蹤和識別
4.6 實例研究——用於目標跟蹤的框架
4.7 行人檢測
4.8 結束語
4.8.1 本章小結
4.8.2 延伸閱讀
習題
參考文獻
第5章 目標識別
5.1 摘要
5.2 從張量相位長條圖和形態尺度空間進行的識別
5.2.1 在形態尺度中張量相位長條圖的計算
5.2.2 張量相位長條圖的匹配
5.2.3 實例研究——在形態尺度空間中採用張量相位長條圖進行的目標識別
5.3 基於不變數的識別
5.3.1 實例研究——採用仿射不變矩的象形圖識別
5.4 基於範本的識別
5.4.1 用於路標識別的範本匹配
5.4.2 用於範本匹配的專用距離
5.4.3 採用對數極座標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——用於從變形原型中進行路標識別的分類器集成
5.7.1 路標識別系統的體系結構
5.7.2 用於警告標誌識別的模組
5.7.3 仲裁單元
5.8 基於張量分解的識別
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——基於採用可變形模式原型的張量分解的路標識別系統
5.8.3 實例研究——採用張量分解方法進行的手寫數位識別
5.8.4 張量子空間分類器的實現
5.9 用於駕駛員狀態監控的人眼識別
5.10目標分類識別
5.10.1 基於部分的目標識別
5.10.2 採用視覺詞袋的識別
5.11結束語
5.11.1 本章小結
5.11.2 延伸閱讀
習題
參考文獻
附錄A
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。