-- 會員 / 註冊 --
 帳號:
 密碼:
  | 註冊 | 忘記密碼
站長推薦
NT售價: 445
NT售價: 195
NT售價: 345
NT定價: 490
優惠價:75368
NT售價: 600

4/19 新書到! 4/11 新書到! 4/8 新書到! 3/28 新書到!
C.G.Next購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopIllustratorAutoCadMasterCamSolidWorksCreoUGRevit
CC++Java遊戲程式Linux嵌入式PLCFPGAMatlabNuke
駭客資料庫搜索引擎影像處理FluentSPSSANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
C#HadoopPythonStm32手機程式CortexLabviewAndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

序列圖像中的目標分析技術

( 簡體 字)
作者:李子印,孫志海類別:1. -> 教材 -> 數位影像處理
譯者:
出版社:電子工業出版社序列圖像中的目標分析技術 3dWoo書號: 45032
詢問書籍請說出此書號!

缺書
NT售價: 295

出版日:8/1/2016
頁數:248
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121297632
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
作者序:

譯者序:

前言:

隨著視頻監控系統的廣泛應用,監控規模和數據量迅速增長,普通監控系統
的技術和人力成本的提高已經很難保證監控的及時性和有效性,智能視頻監控系
統已經成為大勢所趨。但是,作為圖像處理、模式識別和數據挖掘等學科的交叉
融合,智能視頻監控技術面臨的實際應用場景復雜,應用需求多樣化,技術實現
難度大,目前仍處于探索發展階段。
智能視頻監控系統是能夠自動對視頻信號進行處理、分析和理解,通過對序
列圖像進行目標檢測、定位、跟蹤和識別,分析和判斷目標的行為,能在異常
情況時發出警報或提供有用信息的視頻監控系統。智能視頻監控系統的關鍵技
術主要包括圖像預處理、視頻編解碼、目標檢測、目標定位、目標跟蹤和模式
識別等。
本書是作者在參考國內外大量學術論文和專著的基礎上,結合作者多年的研
究成果編寫而成的。本書以序列圖像中目標分析技術的基本過程為主線,系統地
介紹了目標分析的基本理論,詳細講解了作者的研究成果。
本書適用于信號與信息處理、電子技術、計算機技術、網絡和通信工程等相
關專業高年級本科生和研究生的參考書籍,也可作為從事圖像處理、機器視覺和
模式識別等領域的研究和開發技術人員的參考書。
全書分為五大部分,第一部分為緒論,在第1 章對序列圖像中目標分析技術
的研究背景和意義進行了介紹,總結了國內外的相關研究現狀。第二部分為運動
目標的檢測,其中第2 章提出了一種基于積累差異背景建模的視頻運動目標檢測
方法,第3 章提出了一種差分背景融合建模的運動目標檢測方法,第4 章提出了
一種融合Knockout 摳圖技術的視頻運動目標檢測方法,第5 章提出了一種基于網
格區域劃分的視頻運動目標檢測方法。第三部分為運動目標的定位,其中第6 章
提出了一種基于減法聚類算法的視頻運動目標定位技術,第7 章提出了一種視頻
目標定位的減法聚類改進算法,第8 章提出了一種非參數核密度估計視頻目標空
域定位算法,第9 章提出了一種基于Nystr?m 密度值逼近的減法聚類算法。第四
部分為運動目標的運動估計,其中第10 章提出了一種基于運動場預測的六邊形塊
運動估計算法,第11 章提出了一種基于運動信息自適應的快速運動估計算法,
第12 章提出了一種快速高效的部分失真塊運動估計搜索算法。第五部分為運動
目標的跟蹤與識別,其中第13 章提出了一種基于圖像感知哈希技術的運動目標跟
蹤技術,第14 章提出了一種遮擋情況下的運動目標跟蹤技術,第15 章介紹了智
能視頻監控系統中典型的異常行為分析技術,第16 章進行了總結與展望。
在本書編寫過程中,得到了兩位作者的單位中國計量大學和杭州電子科技大
學的很多領導、同事的鼓勵和幫助,在此一并表示衷心感謝。本書參考了國內外
許多專家和研究人員的研究成果,引用了其中觀點、數據與結論,在此表示誠摯
的謝意。另外,還要特別感謝電子工業出版社責任編輯徐薔薇對本書的順利出版
付出的努力與勞動。
由于作者水平有限,加之時間緊迫,書中不妥與疏漏之處在所難免,敬請各
位專家、學者和讀者批評指正。
李子印
2016 年5 月于中國計量大學
內容簡介:

本書以序列圖像中目標分析技術的基本過程為主線,系統地介紹了目標分析的基本理論,詳細講解了作者的研究成果。緒論重點對序列圖像中目標分析技術的研究現狀進行了分析。目檢測部分,提出了一種基本的視頻運動目標檢測技術框架;在此基礎上提出了兩種改進的目標檢測算法,可分別用于需要精確檢測目標和閾值化后目標連通性較差的應用場合;針對幀間差分法的不足,提出了一種基于差分背景融合建模的目標檢測算法。目標定位部分,提出了一種基于減法聚類算法的目標定位技術和一種橢圓域減法聚類目標定位方法;提出了減法聚類目標定位算法的七點優化技術;另外,提出了一種基于非參數核密度估計的目標定位技術,可根據應用靈活選擇核函數估計樣本點的密度值分布;針對減法聚類技術復雜度高的問題,提出了一種基于Nystr?m密度值逼近的減法聚類方法。目標運動估計部分,為了降低運動估計的計算復雜度,提出了一種基于運動場預測的六邊形塊運動估計算法和一種基于運動場預測的部分失真運動估計算法;另外,對UMHexagonS算法進行了改進。目標跟蹤與識別部分,針對復雜背景下的目標跟蹤,提出了一種基于圖像感知哈希技術的目標跟蹤算法;針對遮擋情況,提出了一種自適應步長選擇的NCC圖像匹配算法;最后,采用基于團塊和軌跡分析的方法實現了區域入侵、人體跌倒、遺留物檢測、人體徘徊四種異常行為的判定。

目錄:

第1 章 緒論············· 1
1.1 研究背景及意義··········· 1
1.2 視頻運動目標檢測研究現狀········· 3
1.2.1 背景差法··········· 4
1.2.2 鄰幀差法··········· 5
1.2.3 光流法············· 5
1.3 視頻運動目標定位研究現狀········· 6
1.4 視頻運動估計研究現狀··········· 7
1.5 視頻運動目標跟蹤研究現狀········· 8
1.6 本書的內容及章節安排········· 10
1.6.1 本書的內容··········· 10
1.6.2 本書的章節安排··········11
1.7 本章小結············ 13
參考文獻·············· 13
第2 章 基于積累差異背景建模的視頻運動目標檢測····21
2.1 引言·············· 21
2.2 基于積累差異的背景建模········· 23
2.2.1 積累差異··········· 23
2.2.2 積累差異背景建模········· 23
2.3 Otsu 自適應閾值化及目標輪廓提取······· 25
2.3.1 Otsu 閾值化算法·········· 25
2.3.2 改進的Otsu 閾值化算法········ 26
2.3.3 目標輪廓提取··········· 27
2.4 兩步區域生長目標連通區域標記········· 27
2.5 目標質心關聯············ 28
2.5.1 質心標記··········· 28
2.5.2 質心關聯··········· 28
2.6 監控場合行人及運動車輛檢測實驗······· 29
2.6.1 積累差異背景建模及運動目標檢測······ 29
2.6.2 運動目標輪廓提取及質心關聯······· 31
2.7 夜間運動車輛檢測實驗········· 32
2.8 語義視頻運動目標檢測實驗········· 36
2.8.1 顏色空間及膚色模型········· 36
2.8.2 實驗效果及分析··········· 38
2.9 積累差異背景建模與GMM 背景建模的比較實驗······ 40
2.10 本章小結············ 43
參考文獻·············· 43
第3 章 基于差分背景融合建模的運動目標檢測·····46
3.1 引言·············· 46
3.2 算法基本思想············ 46
3.3 背景模型的建立··········· 47
3.4 自適應背景更新策略··········· 48
3.5 實驗效果與分析··········· 50
3.6 本章小結············ 54
參考文獻·············· 55
第4 章 融合Knockout 摳圖技術的視頻運動目標檢測····56
4.1 引言·············· 56
4.2 摳圖技術簡介············56
4.3 視頻運動目標區域初步檢測········· 58
4.4 Knockout 視頻運動目標檢測········ 58
4.4.1 Knockout 技術·········· 58
4.4.2 透明度計算··········· 59
4.4.3 自動區域標記··········· 60
4.5 實驗效果及分析··········· 61
4.6 本章小結············ 62
參考文獻·············· 63
第5 章 基于網格區域劃分的視頻運動目標檢測·····64
5.1 引言·············· 64
5.2 算法設計············ 64
5.3 積累差異背景建模及運動檢測·········65
5.4 網格區域劃分············ 65
5.5 實驗測試及分析··········· 67
5.5.1 空域連通性差時的檢測情況········· 68
5.5.2 網格區域劃分前后檢測效果比較······· 69
5.5.3 與GMM 法檢測效果的比較········· 71
5.5.4 閾值Tg 對檢測效果的影響········ 72
5.5.5 網格大小對檢測效果影響的討論······· 73
5.6 不同檢測方法的分析及比較········· 75
5.6.1 檢測效果對比··········· 75
5.6.2 計算復雜度分析··········· 77
5.6.3 算法實用性說明··········· 77
5.7 本章小結··············78
參考文獻···············78
第6 章 基于減法聚類算法的視頻運動目標定位·····79
6.1 引言·············· 79
6.2 山峰聚類算法············ 80
6.3 減法聚類算法············82
6.4 減法聚類目標定位············83
6.5 減法聚類目標定位實驗········· 84
6.5.1 減法聚類目標定位過程········· 84
6.5.2 與區域生長目標定位的比較········· 85
6.5.3 減法聚類定位的抗噪性實驗········· 87
6.6 橢圓域減法聚類目標定位········· 88
6.6.1 橢圓域減法聚類算法········· 88
6.6.2 橢圓域減法聚類目標定位實驗······· 89
6.7 橢圓域減法聚類定位應用舉例········· 93
6.8 本章小結············ 95
參考文獻·············· 96
第7 章 視頻目標定位的減法聚類改進算法······97
7.1 引言·············· 97
7.2 減法聚類目標定位··········· 98
7.3 算法優化············ 99
7.3.1 考慮不同維度的鄰域半徑········· 100
7.3.2 引入下采樣技術··········· 100
7.3.3 選擇合適的密度值函數········· 101
7.3.4 構造網格重定義數據集········· 103
7.3.5 模糊隸屬度前景像素聚類········· 105
7.3.6 修正目標鄰域半徑取值········· 105
7.3.7 確定視頻運動目標尺度和方向······· 106
7.4 實驗效果及分析··········· 107
7.4.1 減法聚類算法視頻目標定位過程······· 108
7.4.2 有效鄰域半徑對定位結果的影響······· 109
7.4.3 下采樣定位效果··········· 109
7.4.4 不同密度函數的定位情況········110
7.4.5 模糊隸屬度前景像素歸類實驗········111
7.4.6 目標尺度和方向參數確定實驗········111
7.5 本章小結·············115
參考文獻·············115
第8 章 非參數核密度估計視頻目標空域定位·····117
8.1 引言·············117
8.2 非參數核密度估計··········118
8.3 非參數核密度估計視頻目標空域定位········119
8.4 實驗結果與分析··········· 120
8.4.1 定位過程分析··········· 120
8.4.2 不同核函數定位效果分析········· 122
8.4.3 不同定位算法效果比較········· 123
8.4.4 帶寬對定位的影響········· 124
8.5 結論·············· 125
參考文獻·············· 126
第9 章 基于Nystr?m 密度值逼近的減法聚類······127
9.1 引言·············· 127
9.2 考慮不同維度鄰域的減法聚類········· 129
9.3 Nystr?m 樣本密度值逼近········· 129
9.3.1 Nystr?m 樣本相關系數加權······· 130
9.3.2 減法聚類樣本密度值逼近········· 131
9.3.3 Nystr?m 減法聚類小結········· 132
9.4 實驗結果和分析··········· 133
9.4.1 人工數據實驗··········· 133
9.4.2 彩色圖像聚類實驗········· 138
9.4.3 UCI 數據集聚類實驗········· 140
9.5 結論·············· 141
參考文獻·············· 141
第10 章 基于運動場預測的六邊形塊運動估計·····143
10.1 引言············ 143
10.2 經典快速塊運動估計搜索算法········· 144
10.2.1 MPEG—4 校驗模型采用的菱形搜索算法(DS)··· 144
10.2.2 PMVFAST 算法·········· 144
10.3 PMVHEXBS 算法·········· 146
10.3.1 運動估計算法中的搜索模式······· 146
10.3.2 本章算法搜索模式的選擇········· 147
10.3.3 視頻序列中運動的時空相關性······· 149
10.3.4 初始搜索點的確定········· 150
10.3.5 “足夠好就停止搜索”思想的應用······ 151
10.3.6 改進的部分失真準則(MPDC) ······ 152
10.3.7 PMVHEXBS 算法的步驟········· 153
10.3.8 本章算法分析··········· 154
10.4 實驗結果············ 156
10.5 本章小結 ··········· 160
參考文獻·············· 161
第11 章 基于運動信息自適應的快速運動估計·····163
11.1 引言············ 163
11.2 UMHexagonS 算法介紹········· 164
11.3 運動信息自適應的快速運動估計算法······· 165
11.3.1 塊尺寸自適應的動態搜索窗的計算······ 165
11.3.2 運動類型自適應的搜索方案選擇······ 166
11.3.3 帶方向的十字型搜索········· 166
11.3.4 自適應的矩形-菱形搜索········ 167
11.3.5 運動方向自適應的多層次八邊形區域搜索······ 168
11.3.6 塊尺寸自適應的六邊形搜索······· 168
11.4 實驗仿真與分析··········· 169
11.5 結束語············ 171
參考文獻·············· 172
序: