模式识别基础理论及其计算机视觉应用

本书系统地介绍了模式识别的基本原理及其在计算机视觉中的具体应用。本书内容包括模式识别与计算机视觉概述、分类器、神经网络分类器、聚类分析、蚁群和粒子群聚类算法、时序模型、图像匹配、图像分类与分割以及视频动作识别等。本书可作为信息科学、计算机科学、计算机应用、模式识别、人工智能等学科大学本科生或研究生的专业教材,也可供计算机视觉、模式识别技术应用行业的科技工作者自学或参考。

导论
第一章 模式识别与计算机视觉概述
1．1 概念认知
1．1．1 模式识别
1．1．2 视觉与计算机视觉
1．2 模式识别与计算机视觉发展史
1．2．1 模式识别发展史
1．2．2 计算机视觉发展史
1．3 模式识别的应用
1．4 计算机视觉发展方向
1．4．1 目标检测
1．4．2 图像语义分割
1．4．3 运动目标检测与跟踪
1．4．4 三维重建
1．4．5 人体动作识别
本章小结
习题
模式识别理论篇
第二章 分类器
2．1 距离分类器
2．1．1 最近邻分类及其加速
2．1．2 K近邻算法
2．1．3 距离和相似性度量
2．2 支持向量机
2．2．1 很优线性判别函数分类器
2．2．2 支持向量机的学习
2．2．3 核函数与非线性支持向量机
2．3 分类器性能评价
2．3．1 评价指标
2．3．2 评价方法
本章小结
习题
第三章 神经网络分类器
3．1 神经网络
3．1．1 神经网络概述
3．1．2 代价函数
3．2 反向传播算法及其改进
3．3 BP神经网络
3．4 对偶传播神经网络
3．4．1 网络结构与运行原理
3．4．2 学习算法
3．4．3 改进CPN
3．4．4 CPN应用
3．5 概率神经网络
3．5．1 模式分类和贝叶斯决策理论
3．5．2 概率神经网络的结构
3．5．3 概率神经网络的优点
3．6 卷积神经网络
3．7 深度神经网络模型
3．7．1 Inception V1模型
3．7．2 Inception V2模型
3．7．3 Inception V3模型
本章小结
习题
第四章 聚类分析
4．1 无监督学习与聚类
4．1．1 无监督学习动机
4．1．2 聚类分析的应用
4．1．3 聚类分析的过程
4．1．4 聚类问题的描述
4．2 简单聚类方法
4．2．1 顺序聚类
4．2．2 优选最小距离聚类
4．3 层次聚类算法
4．4 动态聚类算法
4．4．1 K均值算法理论基础
4．4．2 K均值算法
4．4．3 K均值算法的改进
4．5 模拟退火聚类算法
4．5．1 物理退火过程
4．5．2 模拟退火算法的基本原理
4．5．3 退火方式
4．6 聚类检验
4．6．1 聚类结果的检验
4．6．2 聚类数的间接选择
4．6．3 聚类数的直接选择
本章小结
习题
第五章 蚁群和粒子群聚类算法
5．1 蚁群和粒子群算法简介
5．2 蚁群算法
5．2．1 蚁群算法的基本原理
5．2．2 蚁群算法基本流程
5．2．3 蚁群算法的规则说明
5．2．4 TSP的提出
5．2．5 蚁群算法的优点和缺点
5．3 粒子群算法
5．3．1 粒子群算法的基本原理
5．3．2 粒子群优化方法的一般数学模型
5．3．3 粒子群算法的优点和缺点
5．4 蚁群算法和粒子群算法的对比
5．5 改进的蚁群算法
5．5．1 带精英策略的蚂蚁系统
5．5．2 基于优化排序的蚂蚁系统
5．5．3 优选最小蚂蚁系统
5．6 粒子群算法的优化
5．6．1 基于个体位置变异的粒子群算法
5．6．2 基于动态邻域的多目标粒子群优化算法
5．6．3 基于异维变异的差分混合粒子群算法
本章小结
习题
第六章 时序模型
6．1 时序分析概述
6．1．1 时间序列数据的相关概念
6．1．2 时间序列数据预测的研究综述
6．1．3 时间序列数据聚类的研究综述
6．1．4 面向时间序列数据挖掘技术的应用领域
6．2 隐马尔可夫模型
6．2．1 HMM适合的情形
6．2．2 HMM的定义
6．2．3 HMM实例
6．2．4 HMM观测序列的生成
6．2．5 HMM的三个基本问题及其解决
6．3 隐马尔可夫模型的优化
6．3．1 问题描述
6．3．2 改进的HMM学习算法
6．4 循环神经网络及其优化
6．4．1 循环神经网络概述
6．4．2 循环神经网络模型结构
6．4．3 改进的循环神经网络
6．5 长短期记忆网络及其改进
6．5．1 RNN梯度消失问题
6．5．2 长短期记忆型循环神经网络
6．5．3 LSTM型RNN训练过程
6．5．4 LSTM改进算法——GRU算法
本章小结
习题
计算机视觉应用篇
第七章 图像匹配
7．1 图像匹配及其应用
7．2 图像匹配的要素
7．3 图像匹配的常用方法
7．3．1 基于图像特征点的匹配方法
7．3．2 基于图像灰度信息的匹配方法
7．3．3 基于相位相关的匹配方法
7．4 特征分布不均匀的图像精配准算法
7．4．1 常见图像配准方法的一般过程及存在问题
7．4．2 层次配准方法
7．4．3 粗层次配准算法
7．4．4 网格化下精配准算法
7．4．5 特征匹配与融合配准
7．5 本章小节
习题
第八章 图像分类与分割
8．1 图像分类及其过程
8．1．1 图像分类概述
8．1．2 图像分类流程
8．1．3 图像分类方法概述
8．2 基于随机森林的图像分类
8．2．1 图像分类的随机森林算法
8．2．2 基于随机森林的图像分类效果及分析
8．3 基于SVM的图像分类
8．3．1 图像分类SVM算法
8．3．2 基于SVM的图像分类效果及分析
8．4 基于深度学习的图像分类
8．4．1 图像分类CNN模型
8．4．2 基于CNN模型的图像分类效果及分析
8．5 图像分割
8．5．1 图像分割的定义
8．5．2 图像分割算法概述
8．6 基于阈值法的图像分割
8．6．1 阈值法的基本原理
8．6．2 基于阈值法的图像分割方法分类
8．6．3 基于阈值法的图像分割的实现
8．7 基于分水岭算法的图像分割
8．7．1 分水岭算法概述
8．7．2 分水岭算法的原理
8．7．3 基于密度模糊聚类的分水岭分割算法
8．8 基于蚁群算法的图像分割
8．8．1 蚁群算法应用背景
8．8．2 图像分割中的特征提取
8．8．3 图像分割中的蚁群算法
8．8．4 基于蚁群算法的图像分割效果及分析
本章小结
习题
第九章 视频动作识别
9．1 动作识别概述
9．1．1 动作识别的难点
9．1．3 动作识别流程
9．2 运动目标检测技术
9．2．1 动作视频分割技术
9．2．2 动作区域分割技术
9．3 动作特征提取技术
9．3．1 剪影特征
9．3．2 光流特征
9．3．3 梯度特征
9．3．4 深度特征
9．3．5 CNNs学习特征
9．3．6 RNNs学习特征
9．4 动作特征理解技术
9．4．1 动作时空表征模板
9．4．2 动作分类器
9．5 基于双流模型卷积神经网络的动作识别
9．5．1 空间流卷积神经网络
9．5．2 时间流卷积神经网络
9．5．3 时空网络融合策略
9．6 基于多流模型卷积神经网络的动作识别
9．6．1 Three stream CNNs动作识别模型结构框架
9．6．2 基于Three stream CNNs动作识别的实现
本章小结
习题
参考文献