智能視覺感知技術

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 人類視覺的認知過程 4
1.1.7 視覺注意機制研究 4
1.2 計算機視覺技術 6
1.2.1 馬爾的視覺計算理論框架 6
1.2.2 多視幾何立體感知 6
1.3 多源信息融合技術 8
1.3.1 多傳感器信息融合的優(yōu)勢 8
1.3.2 信息融合方法 8
1.4 基于深度學習的智能感知技術 9
1.4.1 人工智能的發(fā)展歷程 9
1.4.2 基于大數據的深度學習方法 11
第2章 攝像機標定 14
2.1 概述 14
2.2 攝像機模型 15
2.3 標定算法 17
2.3.1 預標定圖像的尺度因子 18
2.3.2 確定相機中心 18
2.3.3 標定其他攝像機參數 20
2.4 實驗結果 22
2.4.1 圖像的校正效果實驗 22
2.4.2 標定參數的精度驗算 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)計方法在視覺跟蹤中的研究現狀 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)計方法 35
3.3.2 目標模型的表示 35
3.3.3 候選模型的表示 36
3.3.4 基于Bhattacharyya系數的相似性度量 36
3.3.5 核密度梯度估計 38
3.3.6 Mean shift算法的計算復雜度分析 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 實驗結果 41
3.4 基于Bhattacharyya系數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 實驗結果 46
3.5 基于統(tǒng)計特征最大后驗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 最大后驗概率指標 51
3.5.4 最大后驗概率指標分析 52
3.5.5 最大后驗概率指標的主要特點 52
3.5.6 算法計算復雜度分析 54
3.5.7 算法性能分析 55
3.5.8 實驗結果 55
3.6 基于變分辨率的自適應窗口目標跟蹤方法研究 60
3.6.1 基于變分辨率的自適應窗口目標跟蹤方法 61
3.6.2 實驗結果 63
3.7 基于粒子濾波的目標跟蹤算法研究 65
3.7.1 粒子濾波原理 65
3.7.2 基于后驗概率的粒子濾波算法 66
3.7.3 實驗結果 68
3.8 基于TLD的目標跟蹤算法 69
3.8.1 算法構成 69
3.8.2 跟蹤模塊 70
3.8.3 檢測模塊 71
3.8.4 學習模塊 72
第4章 目標檢測 74
4.1 運動目標檢測算法 74
4.1.1 背景匹配技術 74
4.1.2 幀間運動目標檢測 76
4.1.3 基于混合高斯分布的背景估計模型 79
4.2 基于參數統(tǒng)計的目標檢測 83
4.2.1 目標識別中的邊緣檢測算法 84
4.2.2 基于Hough變換的直線檢測算法研究 86
4.2.3 基于隨機Hough變換的圓檢測算法研究 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樹的特征點匹配 103
5.1.3 圖像誤匹配對的消除 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 多相機圖像拼接技術 108
5.4 圖像鑲嵌技術 109
5.5 無縫圖像拼接融合 110
5.5.1 平均值法 111
5.5.2 多分辨率樣條技術 112
5.5.3 漸入漸出法 112
5.5.4 基于自適應梯度域的圖像無縫鑲嵌方法 113
5.6 漸暈現象的理論分析與消除方法 118
5.6.1 圖像漸暈現象分類 118
5.6.2 漸暈校正方法 120
5.6.3 漸暈模型及基本假設 124
5.6.4 漸暈自動校準 124
5.7 存在局部運動目標的鑲嵌重影去除方法 130
5.7.1 重影目標邊緣檢測 130
5.7.2 馬爾科夫隨機場 131
5.7.3 輪廓特征點匹配 132
5.7.4 最優(yōu)拼接縫的尋找 133
5.8 鑲嵌圖像質量評價方法 139
第6章 圖像增強 141
6.1 圖像增強技術的研究意義 141
6.2 基于空域濾波的圖像平滑方法研究 142
6.3 基于灰度變換的圖像增強算法研究 143
6.4 基于變分辨率的直方圖均衡化圖像增強算法研究 145
6.4.1 基于變分辨率的圖像直方圖統(tǒng)計分析 146
6.4.2 基于變分辨率的圖像直方圖均衡增強算法 148
6.5 基于對比度受限自適應直方圖均衡的圖像增強算法 150
6.6 Retinex圖像增強方法 151
6.6.1 Retinex理論研究現狀 153
6.6.2 中心環(huán)繞Retinex方法 154
6.6.3 實驗結果量化比較分析 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 基于亞像素配準的運動估計 160
6.7.4 圖像觀測數學模型 162
6.7.5 圖像超分辨率重建實驗結果 163
6.8 深度圖像增強算法 164
6.8.1 結構特征提取 165
6.8.2 基于結構特征的聯合雙邊濾波 165
6.8.3 基于馬爾科夫隨機場的深度圖像增強 166
6.8.4 實驗結果 168
第7章 電子穩(wěn)像 171
7.1 光流法思想 171
7.2 光流運動矢量計算 172
7.3 基于Harris角點的光流運動估計的電子穩(wěn)像 173
7.3.1 Harris檢測算子 173
7.3.2 特征區(qū)域的選擇 176
7.3.3 多分辨率策略的實現 177
7.4 基于光流運動矢量估計的穩(wěn)像質量評價 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 圖像的預處理 186
8.2 紅外與可見光圖像的配準 189
8.2.1 圖像配準的基本概念及現狀 189
8.2.2 多源圖像的配準 192
8.3 多源圖像融合 194
8.3.1 圖像融合方法的現狀 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 實驗結果 205
8.4 融合圖像質量評價 206
8.4.1 主觀融合評價 206
8.4.2 客觀融合評價 207
第9章 基于深度學習的視覺感知技術 216
9.1 概述 216
9.2 深度學習 218
9.2.1 人工智能發(fā)展概述 218
9.2.2 機器學習 219
9.2.3 特征的表達 220
9.2.4 深度學習的基本原理 222
9.2.5 淺層學習和深度學習 222
9.2.6 深度學習與神經網絡的區(qū)別與聯系 223
9.2.7 深度學習的訓練過程 225
9.2.8 深度學習模型 226
9.2.9 深度學習未來與展望 238
第10章 基于SLAM的三維重建與視覺導航算法 240
10.1 點云配準 240
10.1.1 配準技術涉及的幾何特征 241
10.1.2 點云配準數學理論 245
10.1.3 迭代最近點算法 247
10.1.4 RANSAC配準算法 248
10.1.5 實驗結果與分析 250
10.2 機器人同時定位與建圖SLAM技術 254
10.2.1 SLAM原理 254
10.2.2 SLAM的主要方法 254
10.2.3 SLAM的應用 256
第11章 ROS機器人操作系統(tǒng) 259
11.1 ROS簡介 259
11.2 ROS特點 259
參考文獻 264