内容简介:
本书选择计算机视觉领域的相关滤波跟踪和图像质量评价两大部分作为研究内容。*部分，通过视频目标检测确定需要跟踪的初始目标，研究了基于多峰响应的抗遮挡相关滤波跟踪、自适应特征选择的相关滤波跟踪、基于孪生网络的抗形变相关滤波跟踪等方法。第二部分，将图像质量评价方法分为主观和客观两种，将人的视觉感知融入客观评价方法中，分别介绍了全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，实现了主观评价和客观评价的统一。本书可供自动控制、图像处理及航天航空等电子、计算机相关专业的本科生、研究生及相关技术人员参考。
作者简介:
魏龙生，安徽安庆人，2005年7月毕业于安徽大学信息与计算科学专业，获理学学士学位；2007年7月毕业于华中科技大学概率论与数理统计专业，获理学硕士学位；2011年7月毕业于华中科技大学控制科学与工程专业，获工学博士学位；2016年10月至2017年11月国家公派美国哈佛大学访问学者。
目录:
第1章绪论(1)
1.1视频目标检测(1)
1.1.1域自适应算法和渐进自学习框架（2）
1.1.2基于域自适应学习的目标检测（2）
1.2相关滤波跟踪(3)
1.2.1基于多峰响应的抗遮挡相关滤波跟踪方法（5）
1.2.2自适应特征选择的相关滤波跟踪方法（5）
1.2.3基于孪生神经网络的抗形变相关滤波目标跟踪方法（6）
1.3图像质量评价(7)
1.3.1全参考图像质量评价方法简介（7）
1.3.2半参考图像质量评价方法简介（8）
1.3.3无参考图像质量评价方法简介（9）
1.4本章小结(10)
第2章域自适应算法及渐进自学习框架(11)
2.1引言(11)
2.2基于语义对齐的域自适应算法(12)
2.2.1域自适应方法（12）
2.2.2基于深度学习的图像语义提取（15）
2.3视觉域适应中的语义一致性约束(17)
2.3.1CSTN网络结构（17）
2.3.2CSTN损失函数（18）
2.4基于CSTN的渐进自学习框架(20)
2.4.1背景建模算法（21）
2.4.2双边界YOLO检测模型（23）
2.4.3在线渐进优化算法（25）
2.5本章小结(26)
第3章基于域自适应学习的视频目标检测(28)
3.1引言(28)
3.2视频目标检测研究现状(29)
3.2.1经典视频目标检测（29）
3.2.2特定场景目标检测（31）
3.2.3迁移学习（32）
3.2.4域自适应（33）
3.3神经网络和机器学习(33)
3.3.1神经网络的基本组成（33）
3.3.2损失函数与反向传播（35）
3.3.3深度模型中的优化（36）
3.4基于卷积神经网络的目标检测框架(37)
3.4.1卷积神经网络的基本原理（37）
3.4.2目标检测算法（39）
3.4.3YOLO（41）
3.5网络架构细节(43)
3.5.1网络架构（43）
3.5.2cycleGAN预训练（43）
3.5.3超参数设置（43）
3.6实验结果与分析(44)
3.6.1数据集与评价指标（44）
3.6.2行人检测实验（46）
3.7本章小结(55)
第4章基于多峰响应的抗遮挡相关滤波跟踪(57)
4.1引言(57)
4.2目标跟踪算法概述(59)
4.2.1基于传统相关滤波框架跟踪（60）
4.2.2基于尺度自适应的相关滤波跟踪（61）
4.2.3基于深度学习的相关滤波跟踪（62）
4.3核化相关滤波跟踪算法(62)
4.3.1一维岭回归（63）
4.3.2循环矩阵（63）
4.3.3核相关滤波（65）
4.3.4目标快速检测（67）
4.3.5尺度更新策略（67）
4.3.6模型更新（68）
4.4遮挡处理(69)
4.5数据集与评价指标(72)
4.5.1精度（72）
4.5.2成功率（72）
4.5.3一次通过性评估和鲁棒性评估（73）
4.6实验结果与实验分析(73)
4.6.1实验环境（74）
4.6.2实验分析（74）
4.7本章小结(79)
第5章自适应特征选择的相关滤波跟踪(80)
5.1引言(80)
5.2传统特征目标描述(82)
5.2.1颜色特征（82）
5.2.2梯度统计直方图特征（83）
5.3深度特征目标描述(85)
5.3.1卷积核与卷积操作（85）
5.3.2卷积神经网络模型（86）
5.3.3深度特征提取（87）
5.3.4融合深度特征（88）
5.4自适应特征选择分析(90)
5.4.1传统特征和深度特征跟踪性能分析（90）
5.4.2自适应选择特征（91）
5.5实验结果分析(93)
5.5.1与单特征相关滤波跟踪算法比较（93）
5.5.2与其他优秀相关滤波跟踪算法比较（94）
5.6本章小结(101)
第6章基于孪生神经网络的抗形变相关滤波跟踪(102)
6.1引言(102)
6.2孪生神经网络结构(104)
6.2.1相似度（104）
6.2.2孪生神经网络（105）
6.2.3损失函数计算（107）
6.3改进的孪生神经网络结构(108)
6.3.1改进的方法（108）
6.3.2滤波层设计（109）
6.3.3反向传播（110）
6.4孪生神经网络训练(111)
6.5融合多核特征(112)
6.6实验结果与分析(113)
6.7本章小结(119)
第7章全参考图像质量评价方法(120)
7.1引言(120)
7.2图像质量评价概述(121)
7.2.1图像质量评价应用（121）
7.2.2图像质量评价方法框架（122）
7.2.3全参考图像质量评价方法发展概况（126）
7.3基于结构相似度的图像质量评价方法(126)
7.3.1基于误差敏感度的图像质量评价方法（127）
7.3.2结构相似度理论（128）
7.3.3结构相似度特征图谱（130）
7.4显著性特征图谱与结构相似度相结合的评价方法(131)
7.4.1显著性特征图谱的定义（131）
7.4.2视觉显著性特征图谱与结构相似度结合算法描述（132）
7.5实验结果总结与分析(135)
7.5.1TID2008图像数据库简介（135）
7.5.2KRCC和SRCC（135）
7.5.3实验结果与说明（136）
7.6本章小结(147)
第8章半参考图像质量评价方法(149)
8.1引言(149)
8.1.1分类（150）
8.1.2研究重点（151）
8.1.3缺点（152）
8.2直方图之间的EMD(152)
8.2.1传统的EMD（152）
8.2.2基于权重的EMD（153）
8.3使用EMD的图像质量评价(154)
8.3.1基于SIFT特征局部EMD的图像质量评价（154）
8.3.2基于显著性特征全局EMD的图像质量评价（155）
8.3.3图像质量的整体评价（156）
8.4实验结果及评价(156)
8.5本章小结(159)
第9章无参考图像质量评价方法(161)
9.1引言(161)
9.2图像质量评价特征表示(163)
9.2.1尺度不变性特征变换（163）
9.2.2曲波变换（166）
9.2.3融合特征度量的实现（167）
9.3无参考图像质量预测(169)
9.3.1模糊化（170）
9.3.2分类（171）
9.3.3去模糊化（174）
9.4实验结果与分析(174)
9.4.1数据库介绍（174）
9.4.2评价指标（176）
9.4.3实验结果与分析（177）
9.5本章小结(179)
参考文献(181)
评论0