刑偵圖像視頻處理技術(shù)

目錄
前言
第1章 緒論 1
1.1 概述 1
1.1.1 刑偵圖像處理技術(shù)的重要性 1
1.1.2 實際問題舉例 2
1.2 本書的內(nèi)容及結(jié)構(gòu) 5
參考文獻(xiàn) 6
第2章 視頻圖像清晰化處理技術(shù) 7
2.1 視頻圖像去霧清晰化處理技術(shù)概況 7
2.1.1 基于非物理模型的圖像增強(qiáng)方法 7
2.1.2 基于物理模型的圖像復(fù)原方法 9
2.1.3 基于學(xué)習(xí)的圖像去霧方法 11
2.2 大氣散射理論及霧天圖像特性分析 12
2.2.1 大氣散射現(xiàn)象 12
2.2.2 大氣散射模型 13
2.2.3 入射光衰減模型 14
2.2.4 大氣光成像模型 15
2.2.5 波長相關(guān)性分析 17
2.2.6 霧天圖像的退化模型 17
2.3 基于非物理模型的霧天視頻圖像增強(qiáng)處理技術(shù) 18
2.4 基于物理模型的霧天圖像復(fù)原 18
2.4.1 暗通道先驗理論 18
2.4.2 模型參數(shù)估計 21
2.4.3 透過率的估計及優(yōu)化 23
2.4.4 大氣光值A(chǔ)的估計 26
2.4.5 霧天圖像復(fù)原 26
2.4.6 算法性能分析與圖像質(zhì)量評價 28
2.5 光照不均勻圖像校正處理技術(shù) 31
2.5.1 光照分量的提取 32
2.5.2 亮度校正函數(shù)的構(gòu)建 36
2.5.3 光照不均勻校正實現(xiàn)過程 38
參考文獻(xiàn) 42
第3章 圖像超分辨率重建技術(shù) 45
3.1 圖像超分辨率基本概念 45
3.1.1 圖像分辨率 45
3.1.2 圖像超分辨率重建 46
3.1.3 超分辨率重建的分類 47
3.1.4 圖像觀測模型 48
3.2 單幅圖像超分辨率重建 51
3.2.1 基于插值的圖像超分辨率重建 51
3.2.2 基于稀疏表示的圖像超分辨率重建 55
3.2.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建 58
3.3 圖像質(zhì)量評價方法 63
3.3.1 主觀評價 63
3.3.2 客觀評價 64
3.4 超分辨率重建技術(shù)在刑偵圖像中的應(yīng)用 67
3.4.1 數(shù)據(jù)庫 67
3.4.2 仿真實驗 71
參考文獻(xiàn) 76
第4章 高動態(tài)范圍成像技術(shù) 79
4.1 高動態(tài)范圍成像概述 79
4.1.1 動態(tài)范圍 79
4.1.2 高動態(tài)范圍成像關(guān)鍵技術(shù) 80
4.1.3 高動態(tài)范圍場景捕獲 82
4.1.4 高動態(tài)范圍圖像的合成 83
4.1.5 色調(diào)映射 85
4.1.6 動態(tài)場景高動態(tài)范圍成像 86
4.1.7 高動態(tài)范圍成像的發(fā)展趨勢 88
4.1.8 高動態(tài)范圍圖像在刑偵中的應(yīng)用 95
4.2 高動態(tài)范圍圖像編碼 97
4.2.1 高動態(tài)范圍圖像格式 97
4.2.2 高動態(tài)范圍圖像編碼標(biāo)準(zhǔn)比較 101
4.3 多幅不同曝光圖像合成HDR圖像 101
4.3.1 空間域合成HDR圖像 102
4.3.2 頻域合成HDR圖像 106
4.4 高動態(tài)范圍圖像色調(diào)映射算法 110
4.4.1 色調(diào)映射 110
4.4.2 線性色調(diào)映射算法 113
4.4.3 對數(shù)色調(diào)映射算法 113
4.4.4 伽馬糾正色調(diào)映射算法 114
4.4.5 S 型曲線方程色調(diào)映射算法 115
4.4.6 基于色貌模型的色調(diào)映射算法 116
4.4.7 iCAM06色調(diào)映射算法 117
4.4.8 色調(diào)均化直方圖算法 118
4.4.9 基于亮度自適應(yīng)分段的色調(diào)映射算法 119
參考文獻(xiàn) 126
第5章 圖像水印技術(shù) 132
5.1 數(shù)字圖像水印的基本概念 132
5.1.1 數(shù)字圖像水印的概念、產(chǎn)生及其特點(diǎn) 132
5.1.2 數(shù)字圖像水印的分類以及應(yīng)用 133
5.1.3 數(shù)字圖像水印的性能分析 136
5.2 數(shù)字圖像單水印原理 140
5.2.1 數(shù)字圖像單水印的基本框架 140
5.2.2 基于變換域的數(shù)字圖像單水印算法 141
5.3 數(shù)字圖像雙水印原理 149
5.3.1 數(shù)字圖像雙水印技術(shù)分類 149
5.3.2 基于曲波變換的圖像雙水印 151
參考文獻(xiàn) 167
第6章 圖像檢索技術(shù) 168
6.1 數(shù)字圖像特征 168
6.1.1 數(shù)字圖像特征提取 168
6.1.2 經(jīng)典圖像特征提取算法介紹 170
6.2 圖像相似度度量 174
6.3 圖像語義學(xué)習(xí) 176
參考文獻(xiàn) 178
第7章 監(jiān)控視頻高效編碼技術(shù) 182
7.1 視頻基本知識 182
7.1.1 人類視覺系統(tǒng) 182
7.1.2 視頻數(shù)字化 185
7.1.3 數(shù)字視頻中的冗余 186
7.1.4 監(jiān)控視頻的內(nèi)容特性 189
7.2 監(jiān)控視頻編碼概述 190
7.3 適用于監(jiān)控視頻的編碼標(biāo)準(zhǔn) 191
7.3.1 監(jiān)控視頻編碼標(biāo)準(zhǔn)發(fā)展歷程 192
7.3.2 第三代視頻編碼國際標(biāo)準(zhǔn)H.265/HEVC 193
7.3.3 第二代視頻編碼國家標(biāo)準(zhǔn)AVS-S2 195
7.4 H.265/HEV測試模型HM使用說明及性能仿真 196
7.4.1 HM使用說明 196
7.4.2 HM性能仿真測試 197
參考文獻(xiàn) 202
第8章 視頻目標(biāo)檢測與跟蹤技術(shù) 204
8.1 運(yùn)動目標(biāo)檢測 204
8.1.1 目標(biāo)檢測數(shù)據(jù)集和評價標(biāo)準(zhǔn) 204
8.1.2 幀間差分法 205
8.1.3 背景消減法 207
8.1.4 光流法 212
8.2 運(yùn)動目標(biāo)跟蹤 214
8.2.1 目標(biāo)跟蹤數(shù)據(jù)集和評價標(biāo)準(zhǔn) 215
8.2.2 基于Kalman預(yù)測與全局特征匹配的目標(biāo)跟蹤 216
8.2.3 基于Mean Shift的目標(biāo)跟蹤 221
8.2.4 基于CamShift的目標(biāo)跟蹤 223
8.2.5 基于MIL的目標(biāo)跟蹤 225
8.2.6 基于DF的跟蹤算法 230
8.2.7 基于CF的目標(biāo)跟蹤 233
8.3 運(yùn)動目標(biāo)跟蹤技術(shù)在監(jiān)控視頻中的應(yīng)用 239
8.3.1 圖像位平面 239
8.3.2 基于位平面的跟蹤算法 242
參考文獻(xiàn) 250
第9章 視頻檢索技術(shù) 252
9.1 視頻檢索概述 252
9.2 鏡頭邊界檢測 257
9.2.1 鏡頭邊界檢測介紹 257
9.2.2 鏡頭邊界檢測存在的問題 258
9.2.3 突變鏡頭檢測 260
9.2.4 漸變鏡頭檢測 262
9.3 關(guān)鍵幀提取 265
9.3.1 關(guān)鍵幀提取技術(shù) 265
9.3.2 傳統(tǒng)關(guān)鍵幀提取技術(shù) 269
9.3.3 基于深度學(xué)習(xí)的關(guān)鍵幀提取技術(shù) 273
參考文獻(xiàn) 274
第10章 現(xiàn)勘三維現(xiàn)場重建 276
10.1 案件現(xiàn)場重建概述 276
10.2 基于二維圖像的三維現(xiàn)場重建 278
10.2.1 全景圖生成過程 278
10.2.2 圖像采集 279
10.2.3 圖像預(yù)處理 280
10.2.4 圖像配準(zhǔn) 280
10.2.5 圖像融合 282
10.2.6 實景全景圖 283
10.3 基于深度圖像的三維現(xiàn)場重建 284
10.3.1 主要技術(shù)簡介 284
10.3.2 基于Kinect的三維重建 285
10.3.3 基于三維激光掃描的現(xiàn)場三維重建 289
10.3.4 應(yīng)用案例 292
參考文獻(xiàn) 294
第11章 現(xiàn)勘圖像檢索技術(shù) 297
11.1 現(xiàn)勘圖像檢索 297
11.2 基于融合特征及檢索結(jié)果優(yōu)化的現(xiàn)勘圖像檢索算法 298
11.2.1 融合特征 299
11.2.2 基于檢索結(jié)果優(yōu)化的現(xiàn)勘圖像檢索算法 302
11.2.3 實驗結(jié)果 303
11.3 輪胎花紋檢索 308
11.3.1 輪胎花紋圖像數(shù)據(jù)庫 309
11.3.2 算法測試比較 311
參考文獻(xiàn) 312
第12章 刑偵案件智能串并 317
12.1 概述 317
12.2 刑偵案件智能串并的要素 319
12.2.1 刑偵案件數(shù)據(jù)庫中的圖像信息 319
12.2.2 刑偵案件智能串并的策略 320
12.3 智能串并在真實破案中存在的實際問題 321
12.4 刑偵案件的信息提取 322
12.4.1 案件信息提取的關(guān)鍵技術(shù) 322
12.4.2 案件視頻信息分析 323
12.4.3 安檢圖像特征提取 331
12.4.4 刑偵案件圖像的目標(biāo)檢測 339
12.5 刑偵案件的智能串并 340
12.5.1 局部目標(biāo)的相似度度量 340
12.5.2 用于案件串并的多模態(tài)信息關(guān)聯(lián) 340
參考文獻(xiàn) 342
第13章 刑偵模擬畫像 343
13.1 刑偵模擬畫像 343
13.1.1 模擬畫像概況 343
13.1.2 計算機(jī)輔助畫像技術(shù) 346
13.2 基于監(jiān)控信息的模擬畫像 347
13.2.1 監(jiān)控信息預(yù)處理 347
13.2.2 二維計算機(jī)輔助畫像 348
13.2.3 三維計算機(jī)輔助畫像 349
參考文獻(xiàn) 350
第14章 現(xiàn)勘立體足跡三維形貌提取 352
14.1 現(xiàn)勘足跡概述 352
14.1.1 基本概念 352
14.1.2 現(xiàn)勘足跡類型與特點(diǎn) 352
14.1.3 現(xiàn)勘足跡的具體作用 353
14.2 現(xiàn)勘足跡提取方法 355
14.3 基于面結(jié)構(gòu)光的立體足跡三維形貌提取 356
14.3.1 結(jié)構(gòu)光視覺測量基礎(chǔ)知識 356
14.3.2 足跡三維形貌提取原理 358
14.4 便攜式現(xiàn)勘立體足跡三維形貌提取系統(tǒng) 368
14.4.1 系統(tǒng)構(gòu)成 368
14.4.2 系統(tǒng)功能特點(diǎn) 369
參考文獻(xiàn) 370
第15章 鞋印圖像識別系統(tǒng) 372
15.1 鞋印圖像識別技術(shù)概況 372
15.2 鞋印識別關(guān)鍵技術(shù) 373
15.2.1 鞋印圖像預(yù)處理技術(shù) 373
15.2.2 鞋印圖像特征提取技術(shù) 378
15.2.3 相似度量方法 380
15.3 基于局部信息鞋印圖像識別算法 382
15.3.1 鞋印圖像局部特征提取 383
15.3.2 稀疏編碼與反向索引 383
15.3.3 相似比對與算法步驟 385
15.4 刑偵鞋印圖像識別系統(tǒng) 386
15.4.1 鞋印圖像與信息入庫子系統(tǒng) 388
15.4.2 鞋印圖像庫管理與維護(hù)子系統(tǒng) 389
15.4.3 鞋印圖像比對識別子系統(tǒng) 389
15.4.4 仿真實驗結(jié)果 390
參考文獻(xiàn) 394