計算機(jī)視覺

定　價：￥42.00

作　者：	梁瑋，裴明濤編
出版社：	北京理工大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥36.40)

ISBN：	9787568292146	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	174	字?jǐn)?shù)：

內(nèi)容簡介

　　計算機(jī)視覺是研究讓計算機(jī)能夠像人一樣來理解圖像、視頻等視覺信息的科學(xué)。本書主要講述了計算機(jī)視覺所涉及的圖像的形成、基本的圖像處理方法、圖像特征、紋理分析、圖像分割、模型擬合、三維重建以及物體的檢測、跟蹤、識別等內(nèi)容，并對計算機(jī)視黨中深度學(xué)習(xí)的典型應(yīng)用進(jìn)行了介紹。本書可作為高等院校計算機(jī)、自動化、電子信息等專業(yè)的教材。

作者簡介

　　梁瑋，北京理工大學(xué)計算機(jī)學(xué)院副教授，博士生導(dǎo)師，碩士生導(dǎo)師。2005年7月于北京理工大學(xué)計算機(jī)學(xué)院獲得計算機(jī)應(yīng)用技術(shù)工學(xué)博士學(xué)位。2014年至2015年在加州大學(xué)洛杉磯分校（ULCA）訪問。作為項目負(fù)責(zé)人主持國家自然科學(xué)基金兩項，主持北京市自然科學(xué)基金一項，973子課題一項。做為核心骨干參加了國家自然科學(xué)基金、國防基礎(chǔ)科研項目、863項目以及與航天科技集團(tuán)合作項目等多項課題的研究工作。發(fā)表學(xué)術(shù)論文50余篇。

圖書目錄

第1章計算機(jī)視覺概述
1.1 計算機(jī)視覺簡介
1.2 計算機(jī)視覺的發(fā)展歷史
1.3 計算機(jī)視覺領(lǐng)域的學(xué)術(shù)會議和期刊
1.4 計算機(jī)視覺的應(yīng)用
1.4.1 智能機(jī)器人
1.4.2 醫(yī)學(xué)圖像分析
1.4.3 智能交通
1.4.4 智能監(jiān)控
1.4.5 日常應(yīng)用
1.5 計算機(jī)視覺面臨的挑戰(zhàn)
思考題
第2章圖像的形成
2.1 成像幾何學(xué)
2.1.1 成像模型
2.1.2 攝像機(jī)參數(shù)
2.1.3 攝像機(jī)標(biāo)定
2.2 成像物理學(xué)
2.2.1 成像物理模型
2.2.2 光度立體
2.2.3 高動態(tài)范圍圖像
2.2.4 曝光融合
2.3 顏色分析
2.3.1 三基色原理
2.3.2 顏色空間
2.3.3 色彩恒常
2.3.4 陰影去除
2.4 數(shù)字相機(jī)
思考題
第3章圖像處理
3.1 線性濾波器
3.2 非線性濾波器
3.3 邊緣檢測
3.3.1 邊緣檢測算子
3.3.2 Canny邊緣檢測算法
3.4 傅里葉變換
思考題
第4章圖像的局部特征
4.1 角點(diǎn)檢測
4.1.1 Harris角點(diǎn)的檢測
4.1.2 SIFT的檢測
4.2 區(qū)域表示
4.2.1 梯度方向直方圖
4.2.2 SIFT的表示
思考題
第5章紋理分析
5.1 紋理簡介
5.2 紋理的表示
5.2.1 灰度同現(xiàn)矩陣
5.2.2 詞袋模型
5.3 紋理的合成
思考題
第6章圖像分割
6.1 圖像分割的定義
6.2 基于區(qū)域的圖像分割方法
6.2.1 區(qū)域生長法
6.2.2 區(qū)域分裂與合并法
6.2.3 分水嶺算法
6.3 基于聚類的圖像分割方法
6.3.1 層次聚類與分裂聚類
6.3.2 基于K-means的圖像分割
6.3.3 基于均值遷移的圖像分割
6.4 基于圖的圖像分割
6.5 基于馬爾科夫隨機(jī)場的圖像分割
6.6 基于運(yùn)動的圖像分割
6.7 交互式的圖像分割
6.8 圖像分割的評價
思考題
第7章模型擬合
7.1 最小二乘法估計直線
7.2 魯棒估計方法
7.3 霍夫變換
7.4 RANSAC方法
7.5 基于概率的擬合方法
7.6 最大期望算法
7.7 模型選擇
7.7.1 AIC
7.7.2 BIC
7.7.3 最小描述長度
思考題
第8章三維重建
8.1 立體視覺
8.1.1 外極線約束
8.1.2 視差與深度
8.1.3 立體匹配
8.2 運(yùn)動視覺
8.2.1 兩視角的運(yùn)動視覺
8.2.2 多視角的運(yùn)動視覺
8.2.3 運(yùn)動視覺的應(yīng)用
思考題
第9章視覺目標(biāo)跟蹤
9.1 視覺目標(biāo)跟蹤簡介
9.2 產(chǎn)生式跟蹤方法
9.2.1 粒子濾波
9.2.2 基于稀疏編碼的目標(biāo)表示
9.3 判別式跟蹤方法
9.3.1 相關(guān)濾波
9.3.2 基于在線多示例學(xué)習(xí)的目標(biāo)跟蹤算法
9.4 多目標(biāo)跟蹤方法
9.4.1 無模型約束的方法
9.4.2 基于檢測（關(guān)聯(lián)）的跟蹤方法
9.5 數(shù)據(jù)集及評價方法
9.5.1 目標(biāo)跟蹤數(shù)據(jù)集
9.5.2 VOT數(shù)據(jù)集
9.5.3 多目標(biāo)跟蹤數(shù)據(jù)集
思考題
第10章圖像分類
10.1 全局圖像特征
10.1.1 顏色直方圖
10.1.2 顏色矩
10.1.3 形狀特征
10.1.4 GIST特征
10.1.5 主成分分析
10.1.6 線形判別分析
10.2 分類器
10.2.1 最近鄰分類器
10.2.2 基于類直方圖的分類器
10.2.3 基于分界面的分類器
10.3 圖像分類的評價標(biāo)準(zhǔn)
10.3.1 混淆矩陣
10.3.2 ROC曲線
10.3.3 AUC
思考題
第11章物體檢測
11.1 基于滑動窗口的物體檢測方法
11.1.1 基于Haar特征和AdaBoost算法的人臉檢測方法
11.1.2 基于級聯(lián)分類器的物體檢測方法
11.1.3 基于可變形部件模型的物體檢測方法
11.2 基于區(qū)域提名的物體檢測方法
11.2.1 選擇性搜索
11.2.2 Objectness
11.2.3 EdgeBox
11.3 物體檢測常用數(shù)據(jù)集
11.3.1 PASCAL VOC數(shù)據(jù)集
11.3.2 MS COCO數(shù)據(jù)集
11.3.3 ImageNet數(shù)據(jù)集
11.4 物體檢測評價指標(biāo)
思考題
第12章深度學(xué)習(xí)與計算機(jī)視覺
12.1 深度學(xué)習(xí)
12.2 深度學(xué)習(xí)與人臉識別
12.2.1 DeepFace
12.2.2 DeepID系列
12.2.3 FaceNet
12.3 深度學(xué)習(xí)與物體檢測
12.3.1 R-CNN
12.3.2 SPP-Net
12.3.3 Fast R-CNN
12.3.4 Faster R-CNN
12.3.5 YOLO
12.3.6 Mask R-CNN
12.4 深度學(xué)習(xí)與目標(biāo)跟蹤
思考題
參考文獻(xiàn)