 |
-- 會員 / 註冊 --
|
 |
|
|
|
數字圖像目標檢測與識別—理論與實踐 ( 簡體 字) |
| 作者：宋曉煒,楊蕾,瞿博陽 | 類別：1. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 44310
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：5/1/2016 |
| 頁數：448 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121286803 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：譯 者 序
俗話說， 眼見為實。對于人和動物來說， 在場景中對目標進行檢測與識別是一種很輕松自然的生存能力。然而， 對于諸如計算機這樣的機器來說， 怎樣才能像人和動物一樣觀察目標， 甚至比人和動物觀察得更好、 檢測識別得更快， 這成為計算機視覺和模式識別領域的主要熱點問題。對于從事該領域研究的教師、 學生以及科研人員而言， 一本全面翔實、 富有實踐價值的參考書是十分必要的。本書是波蘭AGH科技大學電子學系研究員及講師Bogus?aw Cyganek博士在2009年3月出版其知名著作《三維計算機視覺技術及算法導論》(An Introduction to 3D Computer Vision Techniques and Algorithms)之后于2013年8月出版的又一力作。本書出版后， 因其內容系統全面， 理論體系嚴謹， 講解深入淺出， 理論與實踐結合緊密， 獲得了讀者的普遍好評。本書具有以下幾個特色。首先， 本書內容全面、 重點突出。本書從張量的基本定義開始， 介紹了應用于計算機視覺和模式識別任務的張量方法， 并概述了常見的各種分類方法， 還基于波蘭道路場景中的路標識別應用闡明了目標檢測與跟蹤、 目標識別的關鍵問題。全書以清晰簡潔的語言， 涵蓋了計算機視覺的幾個關鍵技術： 分類、 檢測、 跟蹤與識別。其次， 本書的適用面廣。它既適合電子工程、 計算機科學、 計算機工程等專業的本科生作為教材使用， 也適合圖像、 視頻信號處理， 模式識別和計算機視覺方向的碩士、 博士研究生使用， 還可以作為相關專業的科研工作者參考用書。第三， 基于作者多年從事軟件開發的實踐經驗， 本書提供了具有很高參考價值的代碼和偽代碼。特別是提供了一些C++語言的完整實現和用于矩陣和張量處理的MATLAB函數， 附錄中還給出用于將串行代碼轉換為并行版本的OpenMP庫， 原書相關網站還提供了完整的軟件平臺、 彩色圖像以及其他有用的鏈接， 這都便于工程應用時參考使用， 尤其適合高校的碩士、 博士研究生進行算法研究時參考使用。當然， 目標檢測、 跟蹤與識別是圖像模式識別和計算機視覺領域的研究熱點， 各種新算法和技術層出不窮， 本書只提供了迄今為止現代計算機視覺方法和算法的一個深入闡述。盡管如此， 譯者仍然認為本書是一本不可多得的優秀著作。全書由中原工學院的宋曉煒、 楊蕾和瞿博陽分工翻譯。其中， 前言、 第1章和第2章由宋曉煒翻譯， 第3章和第4章由楊蕾翻譯， 第5章和附錄由瞿博陽翻譯。全書由天津大學李鏘教授審校。另外， 研究生吳源昭、 牛林林、 劉清麗、 楊滿意、 蔡文靜等也參與了書稿的部分整理準備工作。感謝Bogus嚊aw Cyganek博士對中文譯書出版方面給予的合作。感謝國家自然科學基金項目(60902063， 61440031， 61305080)在本書翻譯過程中給予的支持。感謝電子工業出版社對翻譯工作的大力支持， 正是他們的嚴謹細致和辛勤付出， 本書才得以順利出版。由于譯者學識所限， 疏漏乃至錯誤在所難免， 懇請廣大讀者及專家不吝賜教， 提出修改意見， 我們將不勝感激。
譯 者
2015年11月于鄭州
前 言
我們生活在一個技術革命的時代， 在這個時代中， 某一領域的進展常常會引發另一領域的突破。類似于19世紀的工業革命， 近幾十年可以稱為計算機革命的新紀元。多年來,我們已經見證了微芯片技術的快速發展， 該技術造成了成本逐年降低的、 持續增長的計算能力。圖形處理單元和現場可編程門陣列的并行計算系統的最新發展使之得以加強。所有這些硬件方面的成就也開啟了尋求使計算機看得見并能理解它所見內容的新應用領域和可能性——這是計算機視覺領域的首要目標。然而， 雖然快速計算機在這方面有很大幫助， 但是真正產生影響的是新的、 更好的處理方法及其實現。本書給出了一些優選的目標檢測和識別方法， 特別強調了統計的以及對該領域較新的基于張量的方法。然而， 有趣且重要方法的數量正在快速增長， 這使得在一本書中很難提供對這些方法的全面涵蓋。因此， 本書的目標略有不同， 即這里所選擇的這些方法是我自己和我的同事在很多項目中使用過的、 并且在實踐中被證明是有用的方法。我們的主要領域涉及汽車應用， 其中我們嘗試開發用于道路標志識別或者駕駛員監控的視覺系統。當開始寫這本書的時候， 我的主要目的是： 不僅給出這些方法的綜述， 還提供雖然簡明但是必要的數學背景。然而， 同樣重要的是所討論方法的實現。我深信詳盡理論與其實現的聯系是深入理解該主題的先決條件。就這方面來說， 對實現平臺的選擇也不足為奇。貫穿本書并且在所附軟件庫中使用的C++編程語言是世界性的工業標準。這并不意味著不可以使用不同的編程平臺來完成實現， 可以將所提供的代碼示例用做指南或者用來直接移植。本書附有一個配套網址： www.wiley.com/go/cyganekobject， 其中包含了代碼和彩圖， 以及PPT、 勘誤表和其他有用的鏈接。本書的完成是在我與合作作者J. Paul Siebert致力于三維圖像處理的前一本書之后， 我對現代計算機視覺方法著迷的結果。因此， 雖然這兩本書都可以單獨閱讀， 但在某種意義上可以將本書視為我們前一本書的延續。因此， 本書可供與計算機視覺和機器模式識別相關的所有科學家和行業從業者使用， 也可以用做對此快速發展領域感興趣的學生的教程。
Bogus?aw Cyganek
波蘭
致 謝
寫一本書是一個巨大的任務。如果沒有朋友、 同事、 合作伙伴以及許多其他人的幫助， 那將是不可能的， 有時我甚至不知道這些人的名字， 但我知道他們做出了杰出的工作來使本書誕生。我尤其感謝位于波蘭克拉科夫(Krakow)的AGH科技大學以及學術計算機中心Cyfronet的許多同事。特別感謝Ryszard Tadeusiewicz教授和Kazimierz Wiatr教授持續的鼓勵和支持。我還想要表達對來自德國柏林洪堡大學和德國航空航天中心的Ralf Reulke教授以及他所在團隊的所有同事的感謝， 感謝在感興趣的科學領域中我們富有成效的傾力合作。我非常感謝Wiley團隊， 他們的幫助使這本書的出版成為可能。我想要表達對Richard Davies、 Alex King、 Nicky Skinner、 Simone Taylor、 Liz Wingett和Nur Wahidah Binte Abdul Wahid、 Shubham Dixit、 Caroline McPherson的特別感謝， 以及對我不知道他們名字但我知道他們為促使本書誕生做了杰出工作的所有其他人的特別感謝。再次非常感謝！我還要非常感謝世界各地的許多同事， 并且特別是我前一本關于三維計算機視覺的書的讀者， 感謝他們的電子郵件、 提問、 建議、 缺陷報告以及我們所進行的所有討論。所有這些都幫助我開發更好的文本和軟件。在現在和將來我還要請求他們的支持。我想要好好表達對波蘭共和國國家科學中心CNC的感激之情， 感謝他們對在2007-2009年以及2011-2013年在合同號no.DEC拟2011/01/B/ST6/01994下進行的科研項目的經費支持， 這對本書做出了很大貢獻。我還想表達對AGH科技大學出版社授權使用我前一本書的部分內容的感謝。最后， 我想要感謝我的家人： 我的妻子Magda、 我的孩子Nadia和Kamil， 以及我的母親， 感謝他們在我完成本書的所有日子里的容忍、 支持和鼓勵。
符號和縮寫
B 基矩陣
C 數據類的數目
C 系數矩陣
Cx 數據集{xi}的相關矩陣
D 數據矩陣
D 距離函數
E 統計期望
i,j,k,m,n 自由坐標， 矩陣指標
1n 所有元素設置為1的n×n維矩陣
In n×n維單位矩陣
I 圖像， 一幅圖像的強度信號
Ix, Iy 圖像I在x, y方向的空間導數
J 一系列中成分的數目
K 核矩陣
L 向量中分量的數目， 空間維度
M 聚類的數目， 圖像通道的數目
N (數據)點的數目
P 概率質量函數
p 概率密度函數
P, Q, C 張量中指標的數目(張量維度)
p, q 張量的協變和逆變度
R 主成分的數目
R 實數集
T 張量
T(k) 張量T的第k個展平模式
TC 緊湊結構張量
TE 擴展結構張量
t 時間坐標
W 向量空間
W* 雙向量空間
X 矩陣
XT X的轉置矩陣
Xi (一系列矩陣中)第i個矩陣
x, y 空間坐標
x 列向量
xi (一系列向量中)第i個向量
{xi} 對于給定范圍指標i的向量xi的集合
x（k）i 對于矩陣Xi的第k列向量
x 歸一化列向量
x- 均值向量
x 正交殘差向量
xi 向量x的第i個分量
?x 數據集{xi}的協方差矩陣
ρ 直方圖中的屜數目
Δ 直方圖中的屜寬度
Ω 分類標記的集合
☉ Khatri拟Rao積
𢚘 克羅內克(Kronecker)積
按元素的乘法[阿達馬
(Hadamard)積]
按元素的除法
向量的外積
? 最大積
? 最小積
× 形態外積
兠 任意
AD 各向異性擴散
ALS 交替最小二乘
AMI 仿射不變矩
AWG 自適應窗口增長
CANDECOMP (張量的)標準分解
CID 彩色圖像辨別
CNMF 約束NMF
CP 標準分解(CANDECOMP)/平行因子分解(PARAFAC)
CST 緊湊結構張量
CST 卷積標準化變換
CV 計算機視覺
CVS 計算機視覺系統
DAS 駕駛輔助系統
DFFS 距特征空間的距離
DIFS 特征空間中的距離
DSP 數字信號處理
DT 距離變換
EMML 期望最大化最大似然
EMD 土堆轉移距離
EST 擴展結構張量
FCM 模糊c均值
FIR 遠紅外
FN 假陰性
FP 假陽性
GHT 廣義霍夫(Hough)變換
GLOH 梯度位置和方向直方圖(圖像描述符)
GP 高斯過程/遺傳程序設計
GPU 圖形處理單元(顯卡)
HDR 高動態范圍(圖像)
HI 高光譜圖像
HNN 漢明神經網絡
HOG 梯度直方圖
HOOI 高階正交迭代
HOSVD 高階奇異值分解
ICA 獨立成分分析
IMED 圖像歐幾里得距離
IP 圖像處理
ISM 隱式形狀模型
ISRA 圖像空間重構算法
KFCM 核模糊c均值
k拟NN k最近鄰
KPCA 核主成分分析
K拟R Khatri拟Rao積
LP 對數極坐標
LN 像素局部鄰域
LSH 位置敏感哈希(Hashing)
LSQE 采用二次等式約束的最小二乘問題
LQE 線性二次型估計
MAP 最大后驗概率分類
MICA 多線性ICA
ML 最大似然
MNN 形態神經網絡
MoG 混合高斯
MPI 消息傳遞接口
MRI 磁共振成像
MSE 均方誤差
NIR 近紅外
NMF 非負矩陣因子分解
NTF 非負張量因子分解
NUMA 非均勻內存訪問
OC拟SVM 一類支持向量機
PARAFAC (張量)的平行因子
PCA 主成分分析
PDE 偏微分方程
PDF 概率密度函數
PERCLOSE 閉眼百分比
PR 模式識別
PSNR 峰值信噪比
R1NTF 秩1非負張量因子分解
RANSAC 隨機采樣一致性
RBF 徑向基函數
RLA Richardson拟Lucy算法
RMSE 均方根誤差
ROC 受試者工作特征
ROI 感興趣區域
RRE 相對重構誤差
SAD 絕對差值和
SIMCA 類模擬軟獨立建模
SIFT 尺度不變特征變換(圖像描述符)
SLAM 同步定位和映射
SMO 序列最小優化
SNR 信噪比
SOM 自組織映射
SPD 顯著點檢測器
SSD 差的平方和
ST 結構張量
SURF 快速魯棒特征(圖像描述符)
SVM 支持向量機
TDCS 張量辨別彩色空間
TIR 熱紅外
TN 真陰性
TP 真陽性
WOC拟SVM 加權一類支持向量機
WTA 勝者通吃 |
內容簡介：計算機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項目實踐經驗為基礎， 提供了一些優選的目標檢測和識別方法， 特別是基于統計和基于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， 不僅以簡潔明了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++編程語言為平臺的可用于指導或直接移植的實現代碼， 讀者可基于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， 包括用于路標識別或駕駛監控的視覺系統。 |
目錄：第1章 引言
1.1 計算機視覺的一個例子
1.2 全書內容概覽
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——一個數學對象
2.2.1 線性空間的主要屬性
2.2.2 張量的概念
2.3 張量——數據對象
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 歐幾里得圖像距離和標準化變換
2.6 張量場的濾波
2.6.1 張量數據的順序統計濾波
2.6.2 各向異性擴散濾波
2.6.3 擴散過程的實現
2.7 采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 采用慣性張量和矩的目標表示
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 子空間數據表示
2.12.10非負矩陣因子分解
2.12.11非負矩陣因子分解的計算
2.12.12采用NMF的圖像表示
2.12.13非負矩陣因子分解的實現
2.12.14非負張量因子分解
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 分類方法和算法
3.1 摘要
3.2 分類框架
3.3 用于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 最大后驗分類方案
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 基于直方圖的技術
3.7.2 比較直方圖
3.7.3 多維直方圖的實現
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 連續自適應均值移位方法
3.8.3 均值移位跟蹤的算法方面
3.8.4 CamShift方法的實現
3.9 神經網絡
3.9.1 概率神經網絡
3.9.2 概率神經網絡的實現
3.9.3 漢明神經網絡
3.9.4 漢明神經網絡的實現
3.9.5 形態神經網絡
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 聚類質量的測量
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——用于模式分類的MATLAB和其他軟件包
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 直接像素分類
4.2.1 基準數據采集
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 從特征點進行的規則形狀檢測
4.4.2 顯著點的聚類
4.4.3 自適應窗生長方法
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——用于目標跟蹤的框架
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 從張量相位直方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——在形態尺度空間中采用張量相位直方圖進行的目標識別
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 采用對數極坐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——用于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 用于警告標志識別的模塊
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識別系統
5.8.3 實例研究——采用張量分解方法進行的手寫數字識別
5.8.4 張量子空間分類器的實現
5.9 用于駕駛員狀態監控的人眼識別
5.10目標分類識別
5.10.1 基于部分的目標識別
5.10.2 采用視覺詞袋的識別
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 |
| 序： |
|
