計(jì)算機(jī)視覺(jué)

第1章 計(jì)算機(jī)視覺(jué)概述
1.1 計(jì)算機(jī)視覺(jué)簡(jiǎn)介
1.2 計(jì)算機(jī)視覺(jué)的發(fā)展歷史
1.3 計(jì)算機(jī)視覺(jué)領(lǐng)域的學(xué)術(shù)會(huì)議和期刊
1.4 計(jì)算機(jī)視覺(jué)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(jì)算機(jī)視覺(jué)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(dòng)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(cè)
3.3.1 邊緣檢測(cè)算子
3.3.2 Canny邊緣檢測(cè)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(cè)
4.1.1 Harris角點(diǎn)的檢測(cè)
4.1.2 SIFT的檢測(cè)
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(jiǎn)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(zhǎng)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(chǎng)的圖像分割
6.6 基于運(yùn)動(dòng)的圖像分割
6.7 交互式的圖像分割
6.8 圖像分割的評(píng)價(jià)
思考題
第7章 模型擬合
7.1 最小二乘法估計(jì)直線
7.2 魯棒估計(jì)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(zhǎng)度
思考題
第8章 三維重建
8.1 立體視覺(jué)
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(dòng)視覺(jué)
8.2.1 兩視角的運(yùn)動(dòng)視覺(jué)
8.2.2 多視角的運(yùn)動(dòng)視覺(jué)
8.2.3 運(yùn)動(dòng)視覺(jué)的應(yīng)用
思考題
第9章 視覺(jué)目標(biāo)跟蹤
9.1 視覺(jué)目標(biāo)跟蹤簡(jiǎn)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(wú)模型約束的方法
9.4.2 基于檢測(cè)（關(guān)聯(lián)）的跟蹤方法
9.5 數(shù)據(jù)集及評(píng)價(jià)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(píng)價(jià)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(cè)
11.1 基于滑動(dòng)窗口的物體檢測(cè)方法
11.1.1 基于Haar特征和AdaBoost算法的人臉檢測(cè)方法
11.1.2 基于級(jí)聯(lián)分類器的物體檢測(cè)方法
11.1.3 基于可變形部件模型的物體檢測(cè)方法
11.2 基于區(qū)域提名的物體檢測(cè)方法
11.2.1 選擇性搜索
11.2.2 Objectness
11.2.3 EdgeBox
11.3 物體檢測(cè)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(cè)評(píng)價(jià)指標(biāo)
思考題
第12章 深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)
12.1 深度學(xué)習(xí)
12.2 深度學(xué)習(xí)與人臉識(shí)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(cè)
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)