第1章 绪论 1
1.1计算机视觉的目标与任务 1
1.2计算机视觉的经典问题 2
1.3 Marr的计算机视觉理论框架 3
1.3.1视觉系统研究的三个层次 3
1.3.2视觉信息处理的三个阶段 4
1.4摄像机成像几何模型 6
1.5摄像机参数和透视投影 8
1.5.1坐标系变换和刚体变换 8
1.5.2摄像机参数和透视投影 9
第2章 立体视觉匹配算法 11
2.1快速区域视差匹配算法 11
2.1.1深度信息计算及约束条件 11
2.1.2区域相关匹配和冗余计算消除 17
2.1.3基于视差梯度的可变搜索范围区域相关匹配 21
2.1.4实验 25
2.2 Rank变换与匹配算法 28
2.2.1基于Rank变换的匹配 28
2.2.2 Rank变换在彩色图像中的应用 31
2.2.3立体匹配算法的评估方法 35
2.2.4实验 36
2.3基于相位一致性的红外图像匹配方法 40
2.3.1相位一致性和局部能量 41
2.3.2基于相位一致性的边缘检测 44
2.3.3基于相位一致性的红外图像区域匹配 49
2.3.4实验 52
第3章 支持向量机算法 54
3.1概述 54
3.1.1统计学习理论 54
3.1.2支持向量机 59
3.1.3支持向量机研究现状与应用 65
3.2支持向量机求解方法 66
3.2.1预备数学知识 66
3.2.2二次规划求解法 67
3.2.3选块方法 71
3.2.4分解算法 72
3.2.5序列最小优化方法 74
3.2.6基于Lagrange函数的迭代求解方法 77
3.2.7基于Smoothing处理的牛顿求解方法 79
3.3 L范数支持向量机算法 82
3.3.1分类间隔的Lp范数表示 82
3.3.2基于Lp范数分类间隔的三种支持向量机 82
3.3.3 L1范数支持向量机算法 83
3.3.4仿真实验 85
3.4 PCA支持向量机算法 86
3.4.1 PCA支持向量机算法 86
3.4.2 Kernel PCA支持向量机算法 88
3.4.3加权PCA支持向量机算法 90
3.5小波支持向量机算法 95
3.5.1小波变换 95
3.5.2小波核函数 96
3.5.3小波支持向量机算法 98
3.5.4算法性能分析 99
3.6模糊二叉树支持向量机算法 99
3.6.1多级二叉树分类器的构造 99
3.6.2 SVM子分类器的构造 100
3.6.3模糊二叉树支持向量机算法 101
第4章 人脸识别 102
4.1概述 102
4.1.1自动人脸识别技术 102
4.1.2人脸识别研究的意义 103
4.1.3人脸检测与定位 105
4.1.4人脸识别的主要技术方法 108
4.1.5人脸识别系统若干关键技术问题 111
4.2人脸检测与跟踪 112
4.2.1 Haar函数及Haar变换 113
4.2.2人脸类Haar特征快速算法 115
4.2.3 AdaBoost级联分类器 116
4.2.4视频人脸跟踪 121
4.2.5实验结果与分析 125
4.3人脸关键特征定位与特征抽取 126
4.3.1人眼检测方法 127
4.3.2实时人眼检测算法 128
4.3.3人脸归一化与姿态校正 132
4.3.4人脸Gabor特征抽取算法 133
4.4基于支持向量机的人脸识别方法 139
4.4.1多类分类支持向量机及其训练 140
4.4.2识别算法性能比对 142
第5章 基于计算机立体视觉的障碍物检测 148
5.1概述 148
5.2基于彩色图像障碍物检测算法 150
5.3彩色图像的分割和提取 150
5.3.1彩色空间模型的选取 151
5.3.2分割策略 152
5.3.3目标区域的提取 156
5.4匹配和障碍物识别 157
5.5实验 158
参考文献 162