计算机视觉基础

第1章 概论
 1.1 计算机视觉的定义
 1.2 计算机视觉的发展历史
 1.3 计算机视觉的主要研究内容
 1.4 计算机视觉的主要应用
 1.5 计算机视觉的特点
 1.6 实例：基于词袋的图像分类方法
 习题
第2章 基础知识
 2.1 数字图像表示
 2.1.1 灰度图像
 2.1.2 彩色图像
 2.1.3 深度图像
 2.2 照相机成像模型
 2.3 传统计算机视觉方法基础知识
 2.3.1 尺度不变特征变换
 2.3.2 方向梯度直方图
 2.4 深度学习基础知识
 2.4.1 卷积
 2.4.2 池化
习题
第3章 图像分类
 3.1 概述
 3.1.1 图像分类的种类
 3.1.2 图像分类的发展
 3.2 基于词袋表示的图像分类
 3.2.1 基于词袋的句子检索
 3.2.2 基于词袋的图像分类
 3.3 基于Fisher向量的图像表示方法
 3.3.1 高斯混合模型
 3.3.2 Fisher向量
 3.4 基于深度学习的图像分类
 3.4.1 网络模型的主要类别
 3.4.2 经典的图像分类模型
 3.4.3 深度学习算法与传统算法的比较
 习题
第4章 图像语义分割
 4.1 概述
 4.2 基于聚类的分割方法
 4.2.1 K—Means
 4.2.2 谱聚类
 4.2.3 Mean Shift
 4.2.4 SLIC
 4.3 基于边缘的分割方法
 4.3.1 Robe rts算子
 4.3.2 Sobel算子
 4.3.3 Prewitt算子
 4.3.3 L.oG算子
 4.3.4 Canny算子
 4.4 基于区域的分割方法
 4.4.1 基于阈值的分割方法
 4.4.2 种子区域生长法
 4.4.3 区域分裂合并法
 4.4.4 分水岭法
 4.5 基于图论的分割方法
 4.5.1 NormaIized Cut
 4.5.2 GraDh Cuts
 4.5.3 Grab Cut
 4.6 基于深度学习的分割方法
 4.6.1 基于上采样／反卷积的分割方法
 4.6.2 基于提高特征分辨率的分割方法
 4.6.3 基于RNN的图像分割
 4.6.4 基于特征增强的分割方法
 4.6.5 使用CRF／MRF的方法
 习题
第5章 目标检测
 5.1 概述
 5.2 基于经典手工特征的目标检测算法
 5.2.1 滑动窗口与模板匹配检测法
 5.2.2 选择性搜索
 5.2.3 Viola—Jones检测器
 5.2.4 可变形部件模型
 5.3 深度学习时代目标检测
 5.3.1 两阶段检测方法
 5.3.2 单阶段检测方法
 5.4 行人检测算法框架
 5.4.1 基于运动检测的算法
 5.4.2 基于机器学习的方法
 5.4.3 基于深度学习的算法
 习题
第6章 识别
 6.1 概述
 6.1.1 识别算法的定义
 6.1.2 识别算法的分类和发展
 6.2 人脸识别算法
 6.2.1 人脸识别算法发展史
 6.2.2 人脸识别算法
 6.3 人体姿态识别算法
 6.3.1 人体姿态识别算法发展史
 6.3.2 人体姿态识别算法
 6.4 人体行为识别算法
 6.4.1 人体行为识别算法发展史
 6.4.2 人体行为识别算法
 习题
第7章 目标跟踪
 7.1 概述
 7.1.1 目标跟踪的定义
 7.1.2 目标跟踪的分类
 7.2 目标跟踪方法
 7.2.1 基于特征建模的目标跟踪
 7.2.2 基于判别式模型的目标跟踪
 7.2.3 基于深度学习的目标跟踪
 7.3 目标跟踪数据集
 7.4 目标跟踪评价指标
 习题
第8章 多目视觉
 8.1 图像配准
 8.1.1 图像配准步骤
 8.1.2 图像配准方法
 8.1.3 变换模型估计
 8.2 双目图像融合
 8.3 多目重构
 8.3.1 立体匹配算法
 8.3.2 三维重建方法
 习题
第9章 视觉问答
 9.1 视觉问答方法
 9.1.1 联合嵌入方法
 9.1.2 组合模型方法
 9.1.3 注意力方法
 9.1.4 知识增强方法
 9.2 常用数据集
 9.3 评估方法
 习题

 本教材可以作为计算机及其相关专业的本科教材，也可以作为计算机及其相关专业从业人员的自学参考用书，前驱课程包括“机器学习”、“数字图像处理”和“人工神经网络”。该教材涵盖了计算机视觉领域的基本问题：图像分类、图像分割、物体检测、识别、物体跟踪、多目视觉、图像问答等。本教材对这些问题的定义、主要方法等进行了介绍，同时考虑到计算机视觉是一门实践性很强的课程，教材中根据内容的实践性介绍了经典的模型和实验案例，这些案例可作为上机实践的参考。