統計學習與機器視覺基礎與綜合

中國水利水電出版社

【作者】鄶新凱鄭睿侯保衛楊國勝

【I S B N 】978-7-5170-4591-5

【責任編輯】周益丹

【適用讀者群】本專通用

【出版時間】2016-08-10

【開本】16開

【裝幀信息】平裝（光膜）

【版次】第1版第1次印刷

【頁數】136

【千字數】192

【印張】8.5

【定價】￥34

【叢書】

【備注信息】

圖書詳情

簡介

本書特色

前言

章節列表

精彩閱讀

下載資源

相關圖書

統計學習是機器學習發展到一定階段的產物，屬于方法論的范疇。機器視覺的主要任務就是通過對采集的圖片或視頻進行處理、分析和識別，以獲得相應場景的三維信息，有著廣泛的應用領域。而當前，統計學習是研究機器視覺領域問題的有效方法之一。

本書的主要研究內容是統計學習在機器視覺中的應用，包括基于統計學習的圖像分割、基于統計學習的圖像特征提取、基于統計學習的特征匹配和圖像分類，以及兩個具體的基于統計學習的機器視覺應用。

本書可以作為大學生和研究生統計學習和機器視覺及相關課程的教學參考書，也可作為工程技術人員的參考書。

無

由于計算機技術和數字成像技術的進步，機器視覺技術如今蓬勃發展，廣泛應用于國民經濟的各個領域。與此同時，人工智能技術也取得了極大的進步，盡管從人類能夠使用計算機編寫程序時就開始考慮如何讓計算機模擬人腦的智力行為，如著名的圖靈機測試就是一個用于驗證計算機是否達到人的智力水平的典型思維實驗，但人工智能真正得到快速發展還是在統計學習理論為其奠定了堅實基礎之后，機器視覺系統應對復雜問題的能力也隨之得到了提升。本書對統計學習與機器視覺從基礎到綜合應用進行了全方位的分析，以使讀者能較快掌握這一領域的專業知識并應用到自己的實際工作中去。

全書共六章，分別如下：

第一章緒論。主要介紹統計學習和機器視覺的基本概念、發展歷程。

第二章機器視覺。對于機器視覺的系統組成，從基礎的圖像知識到相機標定、立體視覺等內容都做了概括性介紹，為后面幾章內容的理解建立基礎。

第三章統計學習與圖像分割。由于圖像分割在機器視覺中是一個非常基礎的問題，而且良好的分割結果必然是基于統計方法的，因此對這一主題單獨做了分析。

第四章圖像特征提取。特征提取也是一個重要的基礎問題，一些特征從原理上就具備統計性質，而另外一些特征具備局部統計特性，在本章中分別做了介紹。

第五章案例：人臉識別。目前人臉識別技術已經日趨成熟，因此非常適合作為基本的教學案例以說明統計學習方法是如何在機器視覺具體問題中應用的。

第六章案例：視頻監控系統。本案例是從機器視覺系統角度出發的，集成了多種視覺技術，如檢測、跟蹤等，通過這個例子讀者可以加深對前面章節中所學知識的理解。

本書在編寫過程中得到了北京市教育委員會共建項目“北京市公共安全信息監測平臺關鍵技術研究”的資助，引用了許多研究人員和作者的論述、觀點、方法、研究結果和一些圖片，在此一并致以衷心的感謝。

由于作者水平所限，書中難免會有疏漏和不當之處，歡迎專家和讀者給予批評指正。

編者

2016年3月

第一章緒論 1
1.1 統計學習 1
1.1.1 統計學習的定義 1
1.1.2 統計機器學習概述 2
1.1.3 統計機器學習的常用學習算法 5
1.2 機器視覺 8
1.2.1 相關概念 8
1.2.2 機器視覺概述 9
1.3 統計機器學習與機器視覺 12
1.3.1 兩者的關系 12
1.3.2 兩者的數學基礎 13
參考文獻 13
第二章機器視覺 14
2.1 引言 14
2.2 圖像預處理 16
2.2.1 圖像幾何變換 16
2.2.2 灰度變換 19
2.2.3 圖像濾波 20
2.3 相機標定 23
2.3.1 畸變校正 23
2.3.2 線性模型 24
2.3.3 標定方法 26
2.4 立體視覺 29
2.4.1 基元檢測 29
2.4.2 極線約束 31
2.4.3 三維重建 32
參考文獻 37
第三章統計學習與圖像分割 38
3.1 引言 38
3.2 經典圖像分割方法 39
3.2.1 基于邊緣的方法 39
3.2.2 基于閾值的方法 41
3.2.3 基于區域的方法 42
3.3 基于聚類的方法 42
3.3.1 基本算法 43
3.3.2 分割步驟 44
3.4 基于馬爾可夫場的方法 44
3.4.1 圖像的馬爾可夫隨機場描述 44
3.4.2 參數估計 45
3.5 基于熵信息的閾值分割法 46
3.5.1 閾值分割中的熵信息 46
3.5.2 基于最大熵的閾值分割方法 47
3.5.3 基于Pal熵的閾值分割方法 50
3.5.4 基于Renyi熵的閾值分割方法 51
3.5.5 基于Tsallis熵的閾值分割方法 54
3.5.6 基于交叉熵的閾值分割方法 57
3.6 實驗分析 58
3.6.1 基于熵信息的閾值分割方法的分析
與比較 58
3.6.2 基于熵信息的閾值分割方法與其他
閾值方法的分析和比較 62
3.7 小結 64
參考文獻 65
第四章圖像特征提取 67
4.1 引言 67
4.2 基于顏色的特征 68
4.2.1 直方圖相交法 69
4.2.2 顏色集 70
4.2.3 顏色矩 71
4.3 基于紋理的特征 71
4.3.1 灰度共生矩陣 72
4.3.2 幾何法 73
4.3.3 模型法 74
4.3.4 信號處理法 74
4.4 基于形狀的特征 77
4.4.1 傅里葉形狀描述法 77
4.4.2 形狀參數法 78
4.4.3 不變矩法 79
4.5 應用于行人檢測的HOG特征 80
4.5.1 行人檢測算法研究現狀 80
4.5.2 HOG行人檢測流程 80
4.6 SIFT特征及改進算法 82
4.6.1 SIFT經典方法 82
4.6.2 PCA-SIFT特征提取 87
4.6.3 仿射不變特征（ASIFT） 88
4.6.4 快速魯棒特征（SURF） 91
參考文獻 94
第五章案例：人臉識別 97
5.1 引言 97
5.2 人臉檢測 97
5.2.1 研究現狀 97
5.2.2 Viola-Jones人臉檢測器 97
5.2.3 基于ASM的人臉對齊 100
5.3 人臉識別 102
5.4 人臉快速檢索 103
5.5 基于深度學習的識別 104
參考文獻 110
第六章案例：視頻監控系統 112
6.1 引言 112
6.2 基于HOG+DPM的行人檢測 112
6.2.1 DPM行人檢測算法 112
6.2.2 DPM結合混合高斯模型的
行人檢測 114
6.3 基于顏色與身高的行人識別 117
6.3.1 顏色特征提取 117
6.3.2 身高特征提取 118
6.3.3 識別綜合算法 121
6.4 行人跟蹤 122
6.4.1 CT跟蹤算法 123
6.4.2 TLD跟蹤算法 123
6.4.3 協同跟蹤 126
參考文獻 128