計算機視覺中的相關(guān)濾波跟蹤和圖像質(zhì)量評價
定 價:68 元
- 作者:魏龍生,羅大鵬,高常鑫 著
- 出版時間:2021/4/1
- ISBN:9787568070072
- 出 版 社:華中科技大學(xué)出版社
- 中圖法分類:TP391.413
- 頁碼:212
- 紙張:膠版紙
- 版次:1
- 開本:16開
本書選擇計算機視覺領(lǐng)域的相關(guān)濾波跟蹤和圖像質(zhì)量評價兩大部分作為研究內(nèi)容。第一部分,通過視頻目標(biāo)檢測確定需要跟蹤的初始目標(biāo),研究了基于多峰響應(yīng)的抗遮擋相關(guān)濾波跟蹤、自適應(yīng)特征選擇的相關(guān)濾波跟蹤、基于孿生網(wǎng)絡(luò)的抗形變相關(guān)濾波跟蹤等方法。第二部分,將圖像質(zhì)量評價方法分為主觀和客觀兩種,將人的視覺感知融入客觀評價方法中,分別介紹了全參考圖像質(zhì)量評價方法、半?yún)⒖紙D像質(zhì)量評價方法和無參考圖像質(zhì)量評價方法,實現(xiàn)了主觀評價和客觀評價的統(tǒng)一。
本書可供自動控制、圖像處理及航天航空等電子、計算機相關(guān)專業(yè)的本科生、研究生及相關(guān)技術(shù)人員參考。
本書可作為從事計算機視覺的科研人員了解視頻目標(biāo)檢測、相關(guān)濾波跟蹤、圖像質(zhì)量評價等知識的參考書,也可作為有關(guān)技術(shù)編程開發(fā)人員自學(xué)和參考的資料書。
近年來,隨著深度學(xué)習(xí)的發(fā)展,計算機在圖像及視頻目標(biāo)檢測任務(wù)上的能力已經(jīng)有了很大的提高。在實際應(yīng)用中,目標(biāo)檢測模型可以通過大規(guī)模人工標(biāo)記的訓(xùn)練數(shù)據(jù)、學(xué)習(xí)目標(biāo)的不同形變,來提升目標(biāo)檢測精度。目標(biāo)跟蹤是計算機視覺中重要的研究方向之一,在視頻監(jiān)控、目標(biāo)檢測和無人駕駛等領(lǐng)域有著非常廣泛的應(yīng)用。對目標(biāo)進行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價值。圖像質(zhì)量評價通過對圖像的特性進行分析和研究,然后評估出圖像失真程度,它是圖像處理的一種基本方法。視頻目標(biāo)檢測的精度直接決定了需要跟蹤的初始目標(biāo),目標(biāo)跟蹤的結(jié)果反過來有助于提高檢測的精度,圖像質(zhì)量評價可用于評估視頻的清晰度和失真度,輔助視頻目標(biāo)檢測和跟蹤。
本書共分9章。
第1章介紹了視頻目標(biāo)檢測、相關(guān)濾波跟蹤、圖像質(zhì)量評價的研究背景和研究現(xiàn)狀,并基于各自的問題提供了合理的建模思路和方法。
第2章介紹了域自適應(yīng)算法及漸進自學(xué)習(xí)框架。為了解決域移位現(xiàn)象,本章講解了兩個經(jīng)典的域自適應(yīng)的方法,都運用了生成對抗的思想,這也為本章的算法提供了一個可行的思路。本章詳細講解了循環(huán)語義轉(zhuǎn)移網(wǎng)絡(luò),在此基礎(chǔ)上,總結(jié)了整個漸進自學(xué)習(xí)算法框架,通過一個已標(biāo)注樣本集對待檢測目標(biāo)進行學(xué)習(xí),將學(xué)習(xí)到的知識無監(jiān)督地遷移到不同的場景中,使不同場景的目標(biāo)檢測系統(tǒng)無須任何人工干預(yù),就能獲得極佳的目標(biāo)檢測性能。
第3章介紹了基于域自適應(yīng)學(xué)習(xí)的視頻目標(biāo)檢測。本章介紹了視頻目標(biāo)檢測的研究現(xiàn)狀;介紹了神經(jīng)網(wǎng)絡(luò)的基本組成,并說明了卷積神經(jīng)網(wǎng)絡(luò)的運行過程;講解了*簡單的滑窗法及一些經(jīng)典的目標(biāo)檢測方法;詳細闡述了循環(huán)語義轉(zhuǎn)移網(wǎng)絡(luò)架構(gòu)細節(jié),運用域自適應(yīng)算法得到視頻目標(biāo)檢測結(jié)果;*后,介紹了能夠驗證本章算法性能的國際通用數(shù)據(jù)集,以及算法性能評價指標(biāo),通過指標(biāo)的高低評判性能優(yōu)劣。
第4章介紹了基于多峰響應(yīng)的抗遮擋相關(guān)濾波跟蹤。大量實驗表明:當(dāng)目標(biāo)存在遮擋時,跟蹤算法得到的當(dāng)前幀置信圖會出現(xiàn)多峰響應(yīng),研究利用多峰響應(yīng)值來判斷當(dāng)前幀是否存在遮擋,增加遮擋之后的處理機制;當(dāng)判定當(dāng)前幀存在遮擋時,停止當(dāng)前幀模板的更新,同時利用上一幀的目標(biāo)點來生成高斯矩陣與當(dāng)前幀的置信圖進行點乘,獲得當(dāng)前幀相對正確的目標(biāo)點。
第5章介紹了自適應(yīng)特征選擇的相關(guān)濾波跟蹤。內(nèi)容包括:傳統(tǒng)特征和深度特征在跟蹤不同場景中的優(yōu)勢和不同特征的可視化;計算深度,方向梯度的直方圖、顏色名特征;計算跟蹤時的匹配率;初始幾幀分別計算三種特征的平均匹配率,若某一特征的匹配率超過給定閾值,則下一幀只用該特征進行跟蹤,不使用剩下特征,提高跟蹤速度;計算這一幀匹配率,若繼續(xù)超過閾值,則接下來的幀繼續(xù)使用該特征,否則重新計算剩下的兩種特征; 在跟蹤過程中不斷自適應(yīng)選擇特征跟蹤。
第6章介紹了基于孿生神經(jīng)網(wǎng)絡(luò)的抗形變相關(guān)濾波跟蹤。本章介紹了孿生神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及對應(yīng)算法;介紹了算法的模型結(jié)構(gòu),在此孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)之上,引出對全卷積孿生神經(jīng)網(wǎng)絡(luò)跟蹤算法的改進,通過改變主干網(wǎng)絡(luò)結(jié)構(gòu)和其中添加相關(guān)濾波層,利用相關(guān)濾波計算的高效性,進行深度學(xué)習(xí)訓(xùn)練,將孿生神經(jīng)網(wǎng)絡(luò)輸出的特征融合成一個置信圖響應(yīng);*后,在實驗部分介紹了相關(guān)實驗設(shè)置并進行分析。
第7章介紹了一種基于視覺感知的全參考圖像質(zhì)量評價方法。首先,通過局部尺度不變估計方法,將重構(gòu)圖像調(diào)整到與參考圖像相同的尺寸;其次,通過比較這兩幅圖像來計算梯度幅度相似度圖;再次,用視覺注意機制的方法得到參考圖像的顯著性特征圖譜。*后,運用相似度圖和顯著性特征圖譜融合的策略,得到全參考圖像的整體質(zhì)量評分。
第8章介紹了一種半?yún)⒖紙D像的重構(gòu)圖像質(zhì)量評價方法。本章介紹了傳統(tǒng)的推土機距離算法,并提出一種改進的基于權(quán)重距離算法;根據(jù)尺度不變算法找到參考圖像與重構(gòu)圖像對應(yīng)的匹配點,計算對應(yīng)圖像塊的距離,得到局部圖像質(zhì)量評價方法;根據(jù)視覺注意機制得到參考圖像與重構(gòu)圖像的視覺顯著性特征,計算對應(yīng)特征的距離,得到全局圖像質(zhì)量評價方法;融合局部和全局的圖像質(zhì)量評價方法,得到重構(gòu)圖像的整體質(zhì)量評分。半?yún)⒖紙D像質(zhì)量評價方法可應(yīng)用于視頻傳輸中的數(shù)字水印驗證、利用輔助通道進行視頻質(zhì)量監(jiān)控與碼流率控制等。
第9章介紹了一種融合尺度不變性關(guān)鍵點的無參考圖像質(zhì)量評價方法。自然圖像在視覺內(nèi)容上具有很強的統(tǒng)計特性,如前緣、高維奇異性、尺度不變性等。圖像的失真會影響這些特征的強度。尺度不變特征變換算法可以測量出這些特征的強度變化,但會忽略某些低對比度區(qū)域的點和邊緣光滑的點,這些點可以通過曲波變換來識別。本章通過尺度不變算法和曲波變換提取圖像中邊緣、高維奇異性、尺度不變性等特征;對特征進行降維與融合;*后,利用現(xiàn)有數(shù)據(jù)庫對模糊神經(jīng)網(wǎng)絡(luò)分類器進行訓(xùn)練,并對融合特征向量進行測試,得到無參考圖像質(zhì)量評價。
本書是在中國地質(zhì)大學(xué)(武漢)相關(guān)專業(yè)歷屆研究生畢業(yè)論文的基礎(chǔ)上編寫、完善、擴充而成的。編寫過程中,牟泉政、孫加樂、閆晴晴等研究生做了大量工作,在此表示感謝。本書編寫過程中還參閱了大量資料,吸收了同行們辛勤勞動的成果,在此一并表示感謝。
本書可作為從事計算機視覺的科研人員了解視頻目標(biāo)檢測、相關(guān)濾波跟蹤、圖像質(zhì)量評價等知識的參考書,也可作為有關(guān)技術(shù)編程開發(fā)人員自學(xué)和參考的資料書。
由于編者水平有限,時間倉促,書中難免出現(xiàn)錯誤和疏漏,希望廣大讀者提出寶貴意見,甚為感謝。
魏龍生,安徽安慶人,2005年7月畢業(yè)于安徽大學(xué)信息與計算科學(xué)專業(yè),獲理學(xué)學(xué)士學(xué)位;2007年7月畢業(yè)于華中科技大學(xué)概率論與數(shù)理統(tǒng)計專業(yè),獲理學(xué)碩士學(xué)位;2011年7月畢業(yè)于華中科技大學(xué)控制科學(xué)與工程專業(yè),獲工學(xué)博士學(xué)位;2016年10月至2017年11月國家公派美國哈佛大學(xué)訪問學(xué)者。
第1章緒論(1)
1.1視頻目標(biāo)檢測(1)
1.1.1域自適應(yīng)算法和漸進自學(xué)習(xí)框架(2)
1.1.2基于域自適應(yīng)學(xué)習(xí)的目標(biāo)檢測(2)
1.2相關(guān)濾波跟蹤(3)
1.2.1基于多峰響應(yīng)的抗遮擋相關(guān)濾波跟蹤方法(5)
1.2.2自適應(yīng)特征選擇的相關(guān)濾波跟蹤方法(5)
1.2.3基于孿生神經(jīng)網(wǎng)絡(luò)的抗形變相關(guān)濾波目標(biāo)跟蹤方法(6)
1.3圖像質(zhì)量評價(7)
1.3.1全參考圖像質(zhì)量評價方法簡介(7)
1.3.2半?yún)⒖紙D像質(zhì)量評價方法簡介(8)
1.3.3無參考圖像質(zhì)量評價方法簡介(9)
1.4本章小結(jié)(10)
第2章域自適應(yīng)算法及漸進自學(xué)習(xí)框架(11)
2.1引言(11)
2.2基于語義對齊的域自適應(yīng)算法(12)
2.2.1域自適應(yīng)方法(12)
2.2.2基于深度學(xué)習(xí)的圖像語義提。15)
2.3視覺域適應(yīng)中的語義一致性約束(17)
2.3.1CSTN網(wǎng)絡(luò)結(jié)構(gòu)(17)
2.3.2CSTN損失函數(shù)(18)
2.4基于CSTN的漸進自學(xué)習(xí)框架(20)
2.4.1背景建模算法(21)
2.4.2雙邊界YOLO檢測模型(23)
2.4.3在線漸進優(yōu)化算法(25)
2.5本章小結(jié)(26)
第3章基于域自適應(yīng)學(xué)習(xí)的視頻目標(biāo)檢測(28)
3.1引言(28)
3.2視頻目標(biāo)檢測研究現(xiàn)狀(29)
3.2.1經(jīng)典視頻目標(biāo)檢測(29)
3.2.2特定場景目標(biāo)檢測(31)
3.2.3遷移學(xué)習(xí)(32)
3.2.4域自適應(yīng)(33)
3.3神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)(33)
3.3.1神經(jīng)網(wǎng)絡(luò)的基本組成(33)
3.3.2損失函數(shù)與反向傳播(35)
3.3.3深度模型中的優(yōu)化(36)
3.4基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測框架(37)
3.4.1卷積神經(jīng)網(wǎng)絡(luò)的基本原理(37)
3.4.2目標(biāo)檢測算法(39)
3.4.3YOLO(41)
3.5網(wǎng)絡(luò)架構(gòu)細節(jié)(43)
3.5.1網(wǎng)絡(luò)架構(gòu)(43)
3.5.2cycleGAN預(yù)訓(xùn)練(43)
3.5.3超參數(shù)設(shè)置(43)
3.6實驗結(jié)果與分析(44)
3.6.1數(shù)據(jù)集與評價指標(biāo)(44)
3.6.2行人檢測實驗(46)
3.7本章小結(jié)(55)
第4章基于多峰響應(yīng)的抗遮擋相關(guān)濾波跟蹤(57)
4.1引言(57)
4.2目標(biāo)跟蹤算法概述(59)
4.2.1基于傳統(tǒng)相關(guān)濾波框架跟蹤(60)
4.2.2基于尺度自適應(yīng)的相關(guān)濾波跟蹤(61)
4.2.3基于深度學(xué)習(xí)的相關(guān)濾波跟蹤(62)
4.3核化相關(guān)濾波跟蹤算法(62)
4.3.1一維嶺回歸(63)
4.3.2循環(huán)矩陣(63)
4.3.3核相關(guān)濾波(65)
4.3.4目標(biāo)快速檢測(67)
4.3.5尺度更新策略(67)
4.3.6模型更新(68)
4.4遮擋處理(69)
4.5數(shù)據(jù)集與評價指標(biāo)(72)
4.5.1精度(72)
4.5.2成功率(72)
4.5.3一次通過性評估和魯棒性評估(73)
4.6實驗結(jié)果與實驗分析(73)
4.6.1實驗環(huán)境(74)
4.6.2實驗分析(74)
4.7本章小結(jié)(79)
第5章自適應(yīng)特征選擇的相關(guān)濾波跟蹤(80)
5.1引言(80)
5.2傳統(tǒng)特征目標(biāo)描述(82)
5.2.1顏色特征(82)
5.2.2梯度統(tǒng)計直方圖特征(83)
5.3深度特征目標(biāo)描述(85)
5.3.1卷積核與卷積操作(85)
5.3.2卷積神經(jīng)網(wǎng)絡(luò)模型(86)
5.3.3深度特征提。87)
5.3.4融合深度特征(88)
5.4自適應(yīng)特征選擇分析(90)
5.4.1傳統(tǒng)特征和深度特征跟蹤性能分析(90)
5.4.2自適應(yīng)選擇特征(91)
5.5實驗結(jié)果分析(93)
5.5.1與單特征相關(guān)濾波跟蹤算法比較(93)
5.5.2與其他優(yōu)秀相關(guān)濾波跟蹤算法比較(94)
5.6本章小結(jié)(101)
第6章基于孿生神經(jīng)網(wǎng)絡(luò)的抗形變相關(guān)濾波跟蹤(102)
6.1引言(102)
6.2孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(104)
6.2.1相似度(104)
6.2.2孿生神經(jīng)網(wǎng)絡(luò)(105)
6.2.3損失函數(shù)計算(107)
6.3改進的孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(108)
6.3.1改進的方法(108)
6.3.2濾波層設(shè)計(109)
6.3.3反向傳播(110)
6.4孿生神經(jīng)網(wǎng)絡(luò)訓(xùn)練(111)
6.5融合多核特征(112)
6.6實驗結(jié)果與分析(113)
6.7本章小結(jié)(119)
第7章全參考圖像質(zhì)量評價方法(120)
7.1引言(120)
7.2圖像質(zhì)量評價概述(121)
7.2.1圖像質(zhì)量評價應(yīng)用(121)
7.2.2圖像質(zhì)量評價方法框架(122)
7.2.3全參考圖像質(zhì)量評價方法發(fā)展概況(126)
7.3基于結(jié)構(gòu)相似度的圖像質(zhì)量評價方法(126)
7.3.1基于誤差敏感度的圖像質(zhì)量評價方法(127)
7.3.2結(jié)構(gòu)相似度理論(128)
7.3.3結(jié)構(gòu)相似度特征圖譜(130)
7.4顯著性特征圖譜與結(jié)構(gòu)相似度相結(jié)合的評價方法(131)
7.4.1顯著性特征圖譜的定義(131)
7.4.2視覺顯著性特征圖譜與結(jié)構(gòu)相似度結(jié)合算法描述(132)
7.5實驗結(jié)果總結(jié)與分析(135)
7.5.1TID2008圖像數(shù)據(jù)庫簡介(135)
7.5.2KRCC和SRCC(135)
7.5.3實驗結(jié)果與說明(136)
7.6本章小結(jié)(147)
第8章半?yún)⒖紙D像質(zhì)量評價方法(149)
8.1引言(149)
8.1.1分類(150)
8.1.2研究重點(151)
8.1.3缺點(152)
8.2直方圖之間的EMD(152)
8.2.1傳統(tǒng)的EMD(152)
8.2.2基于權(quán)重的EMD(153)
8.3使用EMD的圖像質(zhì)量評價(154)
8.3.1基于SIFT特征局部EMD的圖像質(zhì)量評價(154)
8.3.2基于顯著性特征全局EMD的圖像質(zhì)量評價(155)
8.3.3圖像質(zhì)量的整體評價(156)
8.4實驗結(jié)果及評價(156)
8.5本章小結(jié)(159)
第9章無參考圖像質(zhì)量評價方法(161)
9.1引言(161)
9.2圖像質(zhì)量評價特征表示(163)
9.2.1尺度不變性特征變換(163)
9.2.2曲波變換(166)
9.2.3融合特征度量的實現(xiàn)(167)
9.3無參考圖像質(zhì)量預(yù)測(169)
9.3.1模糊化(170)
9.3.2分類(171)
9.3.3去模糊化(174)
9.4實驗結(jié)果與分析(174)
9.4.1數(shù)據(jù)庫介紹(174)
9.4.2評價指標(biāo)(176)
9.4.3實驗結(jié)果與分析(177)
9.5本章小結(jié)(179)
參考文獻(181)