模式識別基礎理論及其計算機視覺套用

《模式識別基礎理論及其計算機視覺套用》是2020年西安電子科技大學出版社出版的圖書。

基本介紹

• 中文名：模式識別基礎理論及其計算機視覺套用
• 作者：成科揚,王新宇
• 出版社：西安電子科技大學出版社
• 出版時間：2020年7月1日
• ISBN：9787560656694

內容簡介

《模式識別基礎理論及其計算機視覺套用/高等學校智慧型科學與技術專業系列教材》系統地介紹了模式識別的基本原理及其在計算機視覺中的具體套用。本書內容包括模式識別與計算機視覺概述、分類器、神經網路分類器、聚類分析、蟻群和粒子群聚類算法、時序模型、圖像匹配、圖像分類與分割以及視頻動作識別等。

　　《模式識別基礎理論及其計算機視覺套用/高等學校智慧型科學與技術專業系列教材》可作為信息科學、計算機科學、計算機套用、模式識別、人工智慧等學科大學本科生或研究生的專業教材， 也可供計算機視覺、模式識別技術套用行業的科技工作者自學或參考。

圖書目錄

導論

第一章 模式識別與計算機視覺概述

1．1 概念認知

1．1．1 模式識別

1．1．2 視覺與計算機視覺

1．2 模式識別與計算機視覺發展史

1．2．1 模式識別發展史

1．2．2 計算機視覺發展史

1．3 模式識別的套用

1．4 計算機視覺發展方向

1．4．1 目標檢測

1．4．2 圖像語義分割

1．4．3 運動目標檢測與跟蹤

1．4．4 三維重建

1．4．5 人體動作識別

本章小結

習題

模式識別理論篇

第二章 分類器

2．1 距離分類器

2．1．1 最近鄰分類及其加速

2．1．2 K近鄰算法

2．1．3 距離和相似性度量

2．2 支持向量機

2．2．1 最優線性判別函式分類器

2．2．2 支持向量機的學習

2．2．3 核函式與非線性支持向量機

2．3 分類器性能評價

2．3．1 評價指標

2．3．2 評價方法

本章小結

習題

第三章 神經網路分類器

3．1 神經網路

3．1．1 神經網路概述

3．1．2 代價函式

3．2 反向傳播算法及其改進

3．3 BP神經網路

3．4 對偶傳播神經網路

3．4．1 網路結構與運行原理

3．4．2 學習算法

3．4．3 改進CPN

3．4．4 CPN套用

3．5 機率神經網路

3．5．1 模式分類和貝葉斯決策理論

3．5．2 機率神經網路的結構

3．5．3 機率神經網路的優點

3．6 卷積神經網路

3．7 深度神經網路模型

3．7．1 Inception V1模型

3．7．2 Inception V2模型

3．7．3 Inception V3模型

本章小結

習題

第四章 聚類分析

4．1 無監督學習與聚類

4．1．1 無監督學習動機

4．1．2 聚類分析的套用

4．1．3 聚類分析的過程

4．1．4 聚類問題的描述

4．2 簡單聚類方法

4．2．1 順序聚類

4．2．2 最大最小距離聚類

4．3 層次聚類算法

4．4 動態聚類算法

4．4．1 K均值算法理論基礎

4．4．2 K均值算法

4．4．3 K均值算法的改進

4．5 模擬退火聚類算法

4．5．1 物理退火過程

4．5．2 模擬退火算法的基本原理

4．5．3 退火方式

4．6 聚類檢驗

4．6．1 聚類結果的檢驗

4．6．2 聚類數的間接選擇

4．6．3 聚類數的直接選擇

本章小結

習題

第五章 蟻群和粒子群聚類算法

5．1 蟻群和粒子群算法簡介

5．2 蟻群算法

5．2．1 蟻群算法的基本原理

5．2．2 蟻群算法基本流程

5．2．3 蟻群算法的規則說明

5．2．4 TSP的提出

5．2．5 蟻群算法的優點和缺點

5．3 粒子群算法

5．3．1 粒子群算法的基本原理

5．3．2 粒子群最佳化方法的一般數學模型

5．3．3 粒子群算法的優點和缺點

5．4 蟻群算法和粒子群算法的對比

5．5 改進的蟻群算法

5．5．1 帶精英策略的螞蟻系統

5．5．2 基於最佳化排序的螞蟻系統

5．5．3 最大最小螞蟻系統

5．6 粒子群算法的最佳化

5．6．1 基於個體位置變異的粒子群算法

5．6．2 基於動態鄰域的多目標粒子群最佳化算法

5．6．3 基於異維變異的差分混合粒子群算法

本章小結

習題

第六章 時序模型

6．1 時序分析概述

6．1．1 時間序列數據的相關概念

6．1．2 時間序列數據預測的研究綜述

6．1．3 時間序列數據聚類的研究綜述

6．1．4 面向時間序列數據挖掘技術的套用領域

6．2 隱馬爾可夫模型

6．2．1 HMM適合的情形

6．2．2 HMM的定義

6．2．3 HMM實例

6．2．4 HMM觀測序列的生成

6．2．5 HMM的三個基本問題及其解決

6．3 隱馬爾可夫模型的最佳化

6．3．1 問題描述

6．3．2 改進的HMM學習算法

6．4 循環神經網路及其最佳化

6．4．1 循環神經網路概述

6．4．2 循環神經網路模型結構

6．4．3 改進的循環神經網路

6．5 長短期記憶網路及其改進

6．5．1 RNN梯度消失問題

6．5．2 長短期記憶型循環神經網路

6．5．3 LSTM型RNN訓練過程

6．5．4 LSTM改進算法——GRU算法

本章小結

習題

計算機視覺套用篇

第七章 圖像匹配

7．1 圖像匹配及其套用

7．2 圖像匹配的要素

7．3 圖像匹配的常用方法

7．3．1 基於圖像特徵點的匹配方法

7．3．2 基於圖像灰度信息的匹配方法

7．3．3 基於相位相關的匹配方法

7．4 特徵分布不均勻的圖像精配準算法

7．4．1 常見圖像配準方法的一般過程及存在問題

7．4．2 層次配準方法

7．4．3 粗層次配準算法

7．4．4 格線化下精配準算法

7．4．5 特徵匹配與融合配準

7．5 本章小節

習題

第八章 圖像分類與分割

8．1 圖像分類及其過程

8．1．1 圖像分類概述

8．1．2 圖像分類流程

8．1．3 圖像分類方法概述

8．2 基於隨機森林的圖像分類

8．2．1 圖像分類的隨機森林算法

8．2．2 基於隨機森林的圖像分類效果及分析

8．3 基於SVM的圖像分類

8．3．1 圖像分類SVM算法

8．3．2 基於SVM的圖像分類效果及分析

8．4 基於深度學習的圖像分類

8．4．1 圖像分類CNN模型

8．4．2 基於CNN模型的圖像分類效果及分析

8．5 圖像分割

8．5．1 圖像分割的定義

8．5．2 圖像分割算法概述

8．6 基於閾值法的圖像分割

8．6．1 閾值法的基本原理

8．6．2 基於閾值法的圖像分割方法分類

8．6．3 基於閾值法的圖像分割的實現

8．7 基於分水嶺算法的圖像分割

8．7．1 分水嶺算法概述

8．7．2 分水嶺算法的原理

8．7．3 基於密度模糊聚類的分水嶺分割算法

8．8 基於蟻群算法的圖像分割

8．8．1 蟻群算法套用背景

8．8．2 圖像分割中的特徵提取

8．8．3 圖像分割中的蟻群算法

8．8．4 基於蟻群算法的圖像分割效果及分析

本章小結

習題

第九章 視頻動作識別

9．1 動作識別概述

9．1．1 動作識別的難點

9．1．3 動作識別流程

9．2 運動目標檢測技術

9．2．1 動作視頻分割技術

9．2．2 動作區域分割技術

9．3 動作特徵提取技術

9．3．1 剪影特徵

9．3．2 光流特徵

9．3．3 梯度特徵

9．3．4 深度特徵

9．3．5 CNNs學習特徵

9．3．6 RNNs學習特徵

9．4 動作特徵理解技術

9．4．1 動作時空表征模板

9．4．2 動作分類器

9．5 基於雙流模型卷積神經網路的動作識別

9．5．1 空間流卷積神經網路

9．5．2 時間流卷積神經網路

9．5．3 時空網路融合策略

9．6 基於多流模型卷積神經網路的動作識別

9．6．1 Three stream CNNs動作識別模型結構框架

9．6．2 基於Three stream CNNs動作識別的實現

本章小結

習題

參考文獻