計算機視覺與圖像識別

前言
第1章 緒論
1.1 計算機視覺的目標與任務
1.2 計算機視覺的經(jīng)典問題
1.3 Marr的計算機視覺理論框架
1.3.1 視覺系統(tǒng)研究的三個層次
1.3.2 視覺信息處理的三個階段
1.4 攝像機成像幾何模型
1.5 攝像機參數(shù)和透視投影
1.5.1 坐標系變換和剛體變換
1.5.2 攝像機參數(shù)和透視投影
第2章 立體視覺匹配算法
2.1 快速區(qū)域視差匹配算法
2.1.1 深度信息計算及約束條件
2.1.2 區(qū)域相關匹配和冗余計算消除
2.1.3 基于視差梯度的可變搜索范圍區(qū)域相關匹配
2.1.4 實驗
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用
2.2.3 立體匹配算法的評估方法
2.2.4 實驗
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
2.3.3 基于相位一致性的紅外圖像區(qū)域匹配
2.3.4 實驗
第3章 支持向量機算法
3.1 概述
3.1.1 統(tǒng)計學習理論
3.1.2 支持向量機
3.1.3 支持向量機研究現(xiàn)狀與應用
3.2 支持向量機求解方法
3.2.1 預備數(shù)學知識
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
3.3.3 L1范數(shù)支持向量機算法
3.3.4 仿真實驗
3.4 PCA支持向量機算法
3.4.1 PCA支持向量機算法
3.4.2 KernelPCA支持向量機算法
3.4.3 加權PCA支持向量機算法
3.5 小波支持向量機算法
3.5.1 小波變換
3.5.2 小波核函數(shù)
3.5.3 小波支持向量機算法
3.5.4 算法性能分析
3.6 模糊二叉樹支持向量機算法
3.6.1 多級二叉樹分類器的構造
3.6.2 SVM子分類器的構造
3.6.3 模糊二叉樹支持向量機算法
第4章 人臉識別
4.1 概述
4.1.1 自動人臉識別技術
4.1.2 人臉識別研究的意義
4.1.3 人臉檢測與定位
4.1.4 人臉識別的主要技術方法
4.1.5 人臉識別系統(tǒng)若干關鍵技術問題
4.2 人臉檢測與跟蹤
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級聯(lián)分類器
4.2.4 視頻人臉跟蹤
4.2.5 實驗結果與分析
4.3 人臉關鍵特征定位與特征抽取
4.3.1 人眼檢測方法
4.3.2 實時人眼檢測算法
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 基于支持向量機的人臉識別方法
4.4.1 多類分類支持向量機及其訓練
4.4.2 識別算法性能比對
第5章 基于計算機立體視覺的障礙物檢測
5.1 概述
5.2 基于彩色圖像障礙物檢測算法
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 目標區(qū)域的提取
5.4 匹配和障礙物識別
5.5 實驗
參考文獻