智能視覺感知技術(shù)

目錄
前言
第1章 緒論 1
1.1 人類視覺的研究 1
1.1.1 人類視覺成像原理 1
1.1.2 視覺信息的產(chǎn)生 2
1.1.3 視覺信息的傳遞 2
1.1.4 視感覺信息的處理 3
1.1.5 視知覺信息的處理 3
1.1.6 人類視覺的認(rèn)知過(guò)程 4
1.1.7 視覺注意機(jī)制研究 4
1.2 計(jì)算機(jī)視覺技術(shù) 6
1.2.1 馬爾的視覺計(jì)算理論框架 6
1.2.2 多視幾何立體感知 6
1.3 多源信息融合技術(shù) 8
1.3.1 多傳感器信息融合的優(yōu)勢(shì) 8
1.3.2 信息融合方法 8
1.4 基于深度學(xué)習(xí)的智能感知技術(shù) 9
1.4.1 人工智能的發(fā)展歷程 9
1.4.2 基于大數(shù)據(jù)的深度學(xué)習(xí)方法 11
第2章 攝像機(jī)標(biāo)定 14
2.1 概述 14
2.2 攝像機(jī)模型 15
2.3 標(biāo)定算法 17
2.3.1 預(yù)標(biāo)定圖像的尺度因子 18
2.3.2 確定相機(jī)中心 18
2.3.3 標(biāo)定其他攝像機(jī)參數(shù) 20
2.4 實(shí)驗(yàn)結(jié)果 22
2.4.1 圖像的校正效果實(shí)驗(yàn) 22
2.4.2 標(biāo)定參數(shù)的精度驗(yàn)算 23
第3章 視覺跟蹤 26
3.1 視覺跟蹤算法的原理 26
3.2 視覺跟蹤研究框架 28
3.2.1 統(tǒng)計(jì)方法在視覺跟蹤中的研究現(xiàn)狀 28
3.2.2 由下向上的研究方法 29
3.2.3 由上向下的研究方法 30
3.3 Mean shift視覺跟蹤算法 35
3.3.1 顏色特征統(tǒng)計(jì)方法 35
3.3.2 目標(biāo)模型的表示 35
3.3.3 候選模型的表示 36
3.3.4 基于Bhattacharyya系數(shù)的相似性度量 36
3.3.5 核密度梯度估計(jì) 38
3.3.6 Mean shift算法的計(jì)算復(fù)雜度分析 39
3.3.7 Mean shift迭代求解局部最優(yōu)值的性能分析 40
3.3.8 實(shí)驗(yàn)結(jié)果 41
3.4 基于Bhattacharyya系數(shù)由粗到精的核匹配搜索方法 44
3.4.1 由粗到精的核匹配搜索算法原理 44
3.4.2 實(shí)驗(yàn)結(jié)果 46
3.5 基于統(tǒng)計(jì)特征最大后驗(yàn)概率的視覺跟蹤算法 48
3.5.1 視覺跟蹤中圖像匹配問題的描述 49
3.5.2 圖像特征分析 50
3.5.3 最大后驗(yàn)概率指標(biāo) 51
3.5.4 最大后驗(yàn)概率指標(biāo)分析 52
3.5.5 最大后驗(yàn)概率指標(biāo)的主要特點(diǎn) 52
3.5.6 算法計(jì)算復(fù)雜度分析 54
3.5.7 算法性能分析 55
3.5.8 實(shí)驗(yàn)結(jié)果 55
3.6 基于變分辨率的自適應(yīng)窗口目標(biāo)跟蹤方法研究 60
3.6.1 基于變分辨率的自適應(yīng)窗口目標(biāo)跟蹤方法 61
3.6.2 實(shí)驗(yàn)結(jié)果 63
3.7 基于粒子濾波的目標(biāo)跟蹤算法研究 65
3.7.1 粒子濾波原理 65
3.7.2 基于后驗(yàn)概率的粒子濾波算法 66
3.7.3 實(shí)驗(yàn)結(jié)果 68
3.8 基于TLD的目標(biāo)跟蹤算法 69
3.8.1 算法構(gòu)成 69
3.8.2 跟蹤模塊 70
3.8.3 檢測(cè)模塊 71
3.8.4 學(xué)習(xí)模塊 72
第4章 目標(biāo)檢測(cè) 74
4.1 運(yùn)動(dòng)目標(biāo)檢測(cè)算法 74
4.1.1 背景匹配技術(shù) 74
4.1.2 幀間運(yùn)動(dòng)目標(biāo)檢測(cè) 76
4.1.3 基于混合高斯分布的背景估計(jì)模型 79
4.2 基于參數(shù)統(tǒng)計(jì)的目標(biāo)檢測(cè) 83
4.2.1 目標(biāo)識(shí)別中的邊緣檢測(cè)算法 84
4.2.2 基于Hough變換的直線檢測(cè)算法研究 86
4.2.3 基于隨機(jī)Hough變換的圓檢測(cè)算法研究 90
第5章 圖像拼接與鑲嵌 99
5.1 尺度不變特征變換算法 99
5.1.1 SIFT特征提取 99
5.1.2 基于k-d樹的特征點(diǎn)匹配 103
5.1.3 圖像誤匹配對(duì)的消除 105
5.2 圖像變換模型 105
5.2.1 平移變換 106
5.2.2 旋轉(zhuǎn)變換 106
5.2.3 縮放變換 106
5.2.4 相似變換 106
5.2.5 仿射變換 107
5.2.6 透射變換 107
5.3 多相機(jī)圖像拼接技術(shù) 108
5.4 圖像鑲嵌技術(shù) 109
5.5 無(wú)縫圖像拼接融合 110
5.5.1 平均值法 111
5.5.2 多分辨率樣條技術(shù) 112
5.5.3 漸入漸出法 112
5.5.4 基于自適應(yīng)梯度域的圖像無(wú)縫鑲嵌方法 113
5.6 漸暈現(xiàn)象的理論分析與消除方法 118
5.6.1 圖像漸暈現(xiàn)象分類 118
5.6.2 漸暈校正方法 120
5.6.3 漸暈?zāi)Ｐ图盎炯僭O(shè) 124
5.6.4 漸暈自動(dòng)校準(zhǔn) 124
5.7 存在局部運(yùn)動(dòng)目標(biāo)的鑲嵌重影去除方法 130
5.7.1 重影目標(biāo)邊緣檢測(cè) 130
5.7.2 馬爾科夫隨機(jī)場(chǎng) 131
5.7.3 輪廓特征點(diǎn)匹配 132
5.7.4 最優(yōu)拼接縫的尋找 133
5.8 鑲嵌圖像質(zhì)量評(píng)價(jià)方法 139
第6章 圖像增強(qiáng) 141
6.1 圖像增強(qiáng)技術(shù)的研究意義 141
6.2 基于空域?yàn)V波的圖像平滑方法研究 142
6.3 基于灰度變換的圖像增強(qiáng)算法研究 143
6.4 基于變分辨率的直方圖均衡化圖像增強(qiáng)算法研究 145
6.4.1 基于變分辨率的圖像直方圖統(tǒng)計(jì)分析 146
6.4.2 基于變分辨率的圖像直方圖均衡增強(qiáng)算法 148
6.5 基于對(duì)比度受限自適應(yīng)直方圖均衡的圖像增強(qiáng)算法 150
6.6 Retinex圖像增強(qiáng)方法 151
6.6.1 Retinex理論研究現(xiàn)狀 153
6.6.2 中心環(huán)繞Retinex方法 154
6.6.3 實(shí)驗(yàn)結(jié)果量化比較分析 157
6.7 基于超分辨率圖像序列重建的圖像增強(qiáng)算法研究 157
6.7.1 超分辨率圖像重建的意義 157
6.7.2 超分辨率重建的原理 159
6.7.3 基于亞像素配準(zhǔn)的運(yùn)動(dòng)估計(jì) 160
6.7.4 圖像觀測(cè)數(shù)學(xué)模型 162
6.7.5 圖像超分辨率重建實(shí)驗(yàn)結(jié)果 163
6.8 深度圖像增強(qiáng)算法 164
6.8.1 結(jié)構(gòu)特征提取 165
6.8.2 基于結(jié)構(gòu)特征的聯(lián)合雙邊濾波 165
6.8.3 基于馬爾科夫隨機(jī)場(chǎng)的深度圖像增強(qiáng) 166
6.8.4 實(shí)驗(yàn)結(jié)果 168
第7章 電子穩(wěn)像 171
7.1 光流法思想 171
7.2 光流運(yùn)動(dòng)矢量計(jì)算 172
7.3 基于Harris角點(diǎn)的光流運(yùn)動(dòng)估計(jì)的電子穩(wěn)像 173
7.3.1 Harris檢測(cè)算子 173
7.3.2 特征區(qū)域的選擇 176
7.3.3 多分辨率策略的實(shí)現(xiàn) 177
7.4 基于光流運(yùn)動(dòng)矢量估計(jì)的穩(wěn)像質(zhì)量評(píng)價(jià) 179
第8章 圖像融合 182
8.1 圖像融合前端處理 183
8.1.1 多源成像傳感器及融合算法的選擇 183
8.1.2 圖像的預(yù)處理 186
8.2 紅外與可見光圖像的配準(zhǔn) 189
8.2.1 圖像配準(zhǔn)的基本概念及現(xiàn)狀 189
8.2.2 多源圖像的配準(zhǔn) 192
8.3 多源圖像融合 194
8.3.1 圖像融合方法的現(xiàn)狀 194
8.3.2 圖像融合規(guī)則 195
8.3.3 基于Laplace金字塔分解的圖像融合算法 198
8.3.4 基于小波變換的圖像融合算法 199
8.3.5 實(shí)驗(yàn)結(jié)果 205
8.4 融合圖像質(zhì)量評(píng)價(jià) 206
8.4.1 主觀融合評(píng)價(jià) 206
8.4.2 客觀融合評(píng)價(jià) 207
第9章 基于深度學(xué)習(xí)的視覺感知技術(shù) 216
9.1 概述 216
9.2 深度學(xué)習(xí) 218
9.2.1 人工智能發(fā)展概述 218
9.2.2 機(jī)器學(xué)習(xí) 219
9.2.3 特征的表達(dá) 220
9.2.4 深度學(xué)習(xí)的基本原理 222
9.2.5 淺層學(xué)習(xí)和深度學(xué)習(xí) 222
9.2.6 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系 223
9.2.7 深度學(xué)習(xí)的訓(xùn)練過(guò)程 225
9.2.8 深度學(xué)習(xí)模型 226
9.2.9 深度學(xué)習(xí)未來(lái)與展望 238
第10章 基于SLAM的三維重建與視覺導(dǎo)航算法 240
10.1 點(diǎn)云配準(zhǔn) 240
10.1.1 配準(zhǔn)技術(shù)涉及的幾何特征 241
10.1.2 點(diǎn)云配準(zhǔn)數(shù)學(xué)理論 245
10.1.3 迭代最近點(diǎn)算法 247
10.1.4 RANSAC配準(zhǔn)算法 248
10.1.5 實(shí)驗(yàn)結(jié)果與分析 250
10.2 機(jī)器人同時(shí)定位與建圖SLAM技術(shù) 254
10.2.1 SLAM原理 254
10.2.2 SLAM的主要方法 254
10.2.3 SLAM的應(yīng)用 256
第11章 ROS機(jī)器人操作系統(tǒng) 259
11.1 ROS簡(jiǎn)介 259
11.2 ROS特點(diǎn) 259
參考文獻(xiàn) 264