目标检测与识别技术

本书主要介绍了目标检测与识别基本概念、理论基础、常用方法原理和特点，具体包括：数字图像与模式识别基础、目标图像增强处理、传统目标检测与识别方法（基于分割的目标检测与识别方法、基于各类型特征匹配的目标检测与识别方法、目标联合定位、识别与分割方法）和基于深度学习的目标检测与识别方法等。 本书可以作为兵器科学与技术、武器系统与工程、智能无人系统技术等学科和专业相关课程的教材，也可以作为相关领域科学工作者和工程技术人员的参考书。

宫久路，男，1983年生于黑龙江省。2007年在北京理工大学机械电子工程专业获工学学士学位；2009年在北京理工大学航天测控技术专业获工学硕士学位；2013年在北京理工大学兵器科学与技术学科获工学博士学位。2013年起在北京理工大学机电学院机电系统工程系任教，从事目标检测与识别技术相关教学和科研工作。主要研究方向包括：目标检测与识别技术、视觉测量、图像压缩及增强处理、伪装效果评估、基于视觉的毁伤效果评估等。已在国内外期刊公开发表学术论文40余篇。

第1章 概述 1.1 目标检测与识别技术的基本概念 1.2 目标检测与识别系统 1.2.1 预处理 1.2.2 特征提取 1.2.3 特征表示和目标描述 1.2.4 识别和理解 1.3 目标检测算法的历史 1.3.1 传统的目标检测算法 1.3.2 基于深度学习的目标检测算法 1.4 目标检测与识别性能评估方法 1.5 与工科基础课的关系 1.5.1 与线性代数的关系 1.5.2 与微积分的关系 1.5.3 与概率论与数理统计的关系 1.5.4 与大学物理的关系 第2章 数字图像与模式识别基础 2.1 数字图像基础 2.1.1 图像 2.1.2 数字图像 2.1.3 光学成像过程 2.1.4 数字图像处理 2.2 模式识别 2.2.1 模式及模式识别 2.2.2 模式识别系统 2.2.3 模式识别过程实例 2.2.4 关于模式识别的一些基本问题 2.2.5 模式识别与机器学习 2.2.6 统计模式识别与结构模式识别 第3章 目标图像增强处理 3.1 图像增强 3.2 灰度直方图 3.2.1 灰度图像的直方图 3.2.2 直方图均衡化 3.2.3 直方图均衡化算法改进 3.3 对比度增强 3.3.1 线性变换 3.3.2 分段线性变换 3.3.3 指数变换和对数变换 3.3.4 对比度增强小结 3.4 图像去噪 3.4.1 基于多幅图像的去噪处理 3.4.2 空间域滤波 3.5 基于深度学习的图像增强 3.5.1 基于清晰训练图像的图像去噪算法 3.5.2 基于不清晰训练图像的图像去噪算法 第4章 基于分割的目标检测与识别技术 4.1 图像分割 4.1.1 图像分割的数学描述 4.1.2 图像分割的基本策略 4.2 基于阈值的图像分割 4.2.1 直方图阔值分割法 4.2.2 最佳阔值分割法 4.2.3 最大类间方差阔值分割法 4.3 基于区域的分割方法测试 4.3.1 区域生长 4.3.2 区域分裂与合并 4.4 基于运动的图像分割 4.4.1 背景差分法 4.4.2 帧间差分法 4.5 基于肤色模型的人脸检测方法 4.5.1 颜色空间转换 4.5.2 阔值分割 4.5.3 后处理 4.6 语义分割 4.7 实例分割 第5章 目标图像特征提取 5.1 特征分类 5.2 边缘特征 5.2.1 一阶微分算子 5.2.2 二阶微分算子 5.2.3 高斯-拉普拉斯算子 5.2.4 Canny算法 5.3 纹理特征 5.3.1 Gabor滤波器 5.3.2 灰度共生矩阵 5.4 点特征 5.4.1 SIFT特征 5.4.2 SURF特征 5.4.3 Harris角点检测 5.5 形状特征 5.6 梯度方向直方图 5.7 相似性度量 5.7.1 像素级特征相似性度量 5.7.2 直方图相似性度量 5.7.3 边缘特征相似性度量 5.7.4 纹理特征相似性度量 5.7.5 特征点相似性度量 5.8 特征选择 5.9 基于深度学习的特征提取 第6章 目标建模及识别算法设计 6.1 目标外观建模 6.2 基于流形学习的目标建模方法 6.2.1 GPLVM和LL-GPLVM 6.2.2 目标视角流形结构设计 6.2.3 目标视角流形学习 6.2.4 目标视角流形实例 6.3 支持向量机 6.4 AdaBoost分类器 6.5 人工神经网络 6.5.1 神经元 6.5.2 神经网络结构 6.5.3 神经网络学习 6.5.4 BP神经网络 6.5.5 神经网络的特点 6.6 基于匹配的目标检测方法 6.6.1 基本原理 6.6.2 算法实现 6.6.3 实例：基于模板匹配的车牌识别 第7章 目标联合定位、识别与分割方法 7.1 模型建立 7.2 形状建模 7.2.1 JVIM概述 7.2.2 JVIM 7.2.3 JVIM学习及形状重构 7.2.4 JVIM实例 7.3 相似性度量 7.4 先验知识获取 7.4.1 联合处理模型 7.4.2 运动模型 7.4.3 联合处理流程 7.5 实例 第8章 基于深度学习的目标检测与识别 8.1 CNN的组成 8.1.1 卷积层 8.1.2 池化层 8.1.3 全连接层 8.1.4 激活函数 8.1.5 批归一化层 8.2 CNN的优化 8.2.1 优化算法 8.2.2 过拟合问题 8.3 经典的图像分类网络 8.3.1 LeNet 8.3.2 AlexNet 8.3.3 VGG 8.3.4 ResNet 8.4 经典的目标检测网络 8.4.1 两阶段目标检测算法 8.4.2 一阶段目标检测算法 8.5 目标检测在军事方面的应用 8.5.1 基于YOLOv5的军用车辆检测性能分析 8.5.2 基于图像风格迁移的目标检测算法 8.5.3 基于域对抗学习的目标检测算法 8.5.4 基于图像风格迁移和城对抗学习的目标检测算法 参考文献