视频监控与小波纹理 面向视神经细胞模型复杂环境感知与定位的图像理解技术PDF|Epub|txt|kindle电子书版本网盘下载

视频监控与小波纹理 面向视神经细胞模型复杂环境感知与定位的图像理解技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

上篇1

第一章 视频监控系统绪论1

1.1 视频监控概述1

1.2 国内外现状和发展趋势3

1.2.1 国内外现状3

1.2.2 发展趋势5

1.3 视频监控系统的几个关键技术6

1.3.1 自动人脸识别6

1.3.2 视频增强7

1.3.3 视频编码优化7

1.4 本章小结8

第二章 视频监控中人脸特征描述方法研究10

2.1 引言10

2.1.1 人脸识别概述10

2.1.2 视频监控中的人脸识别11

2.1.3 人脸识别的光照问题12

2.1.4 小结16

2.2 一种基于轮廓波变换的光照鲁棒人脸特征描述方法16

2.2.1 轮廓波变换与图像处理16

2.2.2 对数人脸光照模型18

2.2.3 基于轮廓波去噪模型的光照鲁棒特征提取19

2.2.4 实验结果与分析20

2.2.5 结论22

2.3 一种基于混合投影函数和图像熵的光照鲁棒人脸特征描述方法22

2.3.1 投影函数22

2.3.2 图像熵24

2.3.3 混合投影特征提取25

2.3.4 实验结果与分析26

2.3.5 结论28

2.4 本章小结28

第三章 视频监控中视频增强方法研究29

3.1 引言29

3.2 算法描述30

3.2.1 RGB色彩空间与YCbCr色彩空间的转换31

3.2.2 小波变换与数字图像处理32

3.2.3 基于小波变换的光照分离35

3.2.4 背景估计和运动区域检测36

3.2.5 融合规则和图像重构37

3.2.6 算法流程38

3.3 实验结果与分析40

3.4 本章小结41

第四章 视频监控中视频编码快速算法研究43

4.1 引言43

4.1.1 H.264/AVC视频编码43

4.1.2 可伸缩视频编码44

4.1.3 小结45

4.2 一种适宜于H.264/AVC的帧间快速编码算法45

4.2.1 相关研究46

4.2.2 利用运动和纹理预测46

4.2.3 利用时间和空间相关性预测49

4.2.4 算法流程54

4.2.5 实验结果与分析56

4.2.6 结论56

4.3 一种质量可伸缩编码中增强层帧间快速算法58

4.3.1 相关研究58

4.3.2 模式选择的基本原理59

4.3.3 算法流程61

4.3.4 实验结果与分析64

4.3.5 结论65

4.4 本章小结65

第五章 上篇总结与展望66

5.1 工作总结66

5.2 展望66

上篇参考文献67

中篇80

第六章 Copula驱动的小波域纹理特征提取绪论80

6.1 问题的提出与研究现状80

6.1.1 纹理的定义80

6.1.2 纹理的特征81

6.1.2 纹理特征提取方法83

6.1.3 小波域纹理特征提取研究现状84

6.2 研究的主要内容86

第七章 小波变换理论87

7.1 传统小波变换87

7.1.1 连续小波变换87

7.1.2 小波多分辨分析88

7.1.3 二维离散小波变换89

7.2 复数小波变换91

7.2.1 Gabor小波变换91

7.2.2 对偶树复小波92

7.2.3 四元小波变换94

7.3 方向小波变换96

7.4 平稳小波变换98

7.5 本章小结99

第八章 Copula模型及其参数估计100

8.1 Copula理论100

8.1.1 多维Copula100

8.1.2 常见的Copula函数101

8.1.3 Copula函数特点分析104

8.2 Copula参数估计104

8.2.1 完全最大似然估计105

8.2.2 两阶段最大似然估计105

8.2.3 两阶段最大似然半参数估计106

8.2.4 非参数估计方法106

8.3 本章小结107

第九章 小波域依赖关系及常用多维模型108

9.1 小波域间的依赖关系108

9.2 小波域隐马尔科夫模型111

9.3 小波域多维统计模型113

9.3.1 多维统计模型113

9.3.2 测地距离115

9.4 本章小结116

第十章 传统小波域Copula多维模型117

10.1 小波域子带内依赖118

10.2 小波域子带内颜色分量依赖123

10.3 小波域尺度间依赖126

10.4 基于Copula模型的相似度128

10.4.1 标准化Euclidean距离129

10.4.2 Kullback-Leibler距离129

10.4.3 采样方法130

10.4.4 Bayesian-ML检索方法130

10.5 实验与分析131

10.5.1 实验数据集与实验目的131

10.5.2 实验结果与分析134

10.5.3 计算效率分析136

10.6 本章小结138

第十一章 方向小波域与平稳小波域Copula多维模型139

11.1 方向小波域Copula多维模型140

11.2 平稳小波域Copula多维模型141

11.3 实验与分析143

11.3.1 实验数据集与实验目的143

11.3.2 实验结果与分析143

11.4 本章小结146

第十二章 复数小波域Copula多维模型147

12.1 对偶树复小波域Copula多维模型147

12.2 Gabor小波域旋转不变Copula多维模型150

12.3 基于复数小波相角的Copula多维模型151

12.4 实验与分析153

12.4.1 实验数据集与实验目的153

12.4.2 实验结果与分析154

12.5 本章小结156

第十三章 中篇总结与展望158

中篇参考文献159

下篇167

第十四章 基于生物视觉感知机制的图像理解绪论167

14.1 研究目的和意义167

14.2 研究现状168

14.2.1 图像分割168

14.2.2 目标识别170

14.2.3 基于视觉层次感知机制的图像理解171

14.2.4 图像特征表达172

14.2.5 分类器174

14.3 研究内容174

14.4 本篇特色与创新175

第十五章 视皮层感知机制177

15.1 引言177

15.2 视觉系统的层次177

15.3 视皮层的感知结构178

15.3.1 视网膜179

15.3.2 侧膝体179

15.3.3 视觉皮层179

15.4 其他特性180

15.4.1 反馈和侧向连接180

15.4.2 视觉感受野特性181

15.4.3 超柱结构181

15.4.4 学习机制181

15.5 生物视觉计算模型181

15.5.1 视觉感知层次结构182

15.5.2 视觉感知层次计算模型182

15.5.3 视觉感知中重要的功能机制184

15.6 基于视觉感知层次模型的人脸识别185

15.6.1 人脸识别模型概述185

15.6.2 模型功能实现186

15.6.3 实验及结果188

15.7 本章小结190

第十六章 多特征彩色图像分割模型191

16.1 引言191

16.2 相关工作192

16.2.1 研究现状192

16.2.2 神经科学基础193

16.3 模型概述194

16.3.1 K通路计算194

16.3.2 P通路计算195

16.3.3 M通路的计算196

16.3.4 其他视觉区域计算197

16.4 实验199

16.4.1 BPNN训练199

16.4.2 分割方法比较199

16.5 算法与实验分析201

16.5.1 先融合与后融合201

16.5.2 二元分割的优化202

16.5.3 性能评估202

16.6 本章小结204

第十七章 BU＆TD图像分割模型205

17.1 引言205

17.2 神经科学背景206

17.2.1 Trickle-up通路206

17.2.2 Trickle-down通路206

17.3 BU＆TD组合模型概述207

17.3.1 生成特征片段集208

17.3.2 匹配BU结果209

17.3.3 优化匹配子集212

17.3.4 像素标识213

17.4 实验214

17.4.1 概率分布的学习214

17.4.2 图像分割214

17.4.3 影响因素分析215

17.4.4 片段相关性217

17.4.5 多目标分割218

17.5 本章小结218

第十八章 多特征场景分类模型220

18.1 分类模型220

18.2 HFSM模型221

18.3 多尺度边缘特征222

18.4 颜色特征223

18.5 分类223

18.6 实验评估224

18.6.1 Edge路径分类224

18.6.2 Edge路径＋Shape路径226

18.6.3 MFBIM识别226

18.7 总结227

第十九章 BU＆TD目标识别模型228

19.1 引言228

19.2 模型概述229

19.2.1 LSF特征229

19.2.2 HSF图像230

19.2.3 Gist-based特征231

19.2.4 OFC232

19.2.5 PHC233

19.2.6 IT233

19.3 实验235

19.4 总结236

第二十章 下篇总结与展望237

20.1 工作总结237

20.2 本篇创新与特色238

20.3 进一步的研究239

下篇参考文献239