图书介绍
计算机科学丛书 计算机视觉 模型、学习和推理pdf电子书版本下载
- （英）西蒙J.D.普林斯著；苗启广，刘凯，孔韦韦等译 著
- 出版社： 北京：机械工业出版社
- ISBN：9787111516828
- 出版时间：2017
- 标注页数：444页
- 文件大小：67MB
- 文件页数：468页
- 主题词：计算机视觉－研究
PDF下载
下载说明
计算机科学丛书 计算机视觉 模型、学习和推理PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论 1
1.1本书结构 2
1.2其他书籍 4
第一部分 概率 6
第2章 概率概述 6
2.1随机变量 6
2.2联合概率 7
2.3边缘化 7
2.4条件概率 8
2.5贝叶斯公式 9
2.6独立性 9
2.7期望 10
讨论 10
备注 11
习题 11
第3章 常用概率分布 12
3.1伯努利分布 13
3.2贝塔分布 13
3.3分类分布 14
3.4狄利克雷分布 14
3.5一元正态分布 15
3.6正态逆伽马分布 15
3.7多元正态分布 16
3.8正态逆维希特分布 16
3.9共轭性 17
总结 18
备注 18
习题 18
第4章 拟合概率模型 21
4.1最大似然法 21
4.2最大后验法 21
4.3贝叶斯方法 22
4.4算例1：一元正态分布 22
4.4.1最大似然估计 22
4.4.2最大后验估计 24
4.4.3贝叶斯方法 26
4.5算例2：分类分布 28
4.5.1最大似然法 28
4.5.2最大后验法 29
4.5.3贝叶斯方法 30
总结 31
备注 31
习题 32
第5章 正态分布 34
5.1协方差矩阵的形式 34
5.2协方差分解 35
5.3变量的线性变换 36
5.4边缘分布 36
5.5条件分布 37
5.6正态分布的乘积 38
5.7变量改变 38
总结 38
备注 39
习题 39
第二部分 机器视觉的机器学习 42
第6章 视觉学习和推理 42
6.1计算机视觉问题 42
6.2模型的种类 42
6.2.1判别模型 43
6.2.2生成模型 43
6.3示例1：回归 43
6.3.1判别模型 44
6.3.2生成模型 44
6.4示例2：二值分类 46
6.4.1判别模型 46
6.4.2生成模型 46
6.5应该用哪种模型 48
6.6应用 49
6.6.1皮肤检测 49
6.6.2背景差分 50
总结 51
备注 51
习题 52
第7章 复杂数据密度建模 54
7.1正态分类模型 54
7.2隐变量 56
7.3期望最大化 57
7.4混合高斯模型 58
7.4.1混合高斯边缘化 59
7.4.2基于期望最大化的混合模型拟合 59
7.5 t分布 63
7.5.1学生t分布边缘化 64
7.5.2拟合t分布的期望最大化 65
7.6因子分析 67
7.6.1因子分析的边缘分布 68
7.6.2因子分析学习的期望最大化 68
7.7组合模型 71
7.8期望最大化算法的细节 71
7.8.1期望最大化算法的下界 73
7.8.2 E步 74
7.8.3 M步 74
7.9应用 75
7.9.1人脸检测 75
7.9.2目标识别 76
7.9.3分割 77
7.9.4正脸识别 78
7.9.5改变人脸姿态（回归） 78
7.9.6作为隐变量的变换 79
总结 80
备注 80
习题 81
第8章 回归模型 82
8.1线性回归 82
8.1.1学习 83
8.1.2线性回归模型的问题 83
8.2贝叶斯线性回归 84
8.2.1实际考虑 85
8.2.2拟合方差 86
8.3非线性回归 87
8.3.1最大似然法 87
8.3.2贝叶斯非线性回归 89
8.4核与核技巧 89
8.5高斯过程回归 90
8.6稀疏线性回归 91
8.7二元线性回归 93
8.8相关向量回归 95
8.9多变量数据回归 96
8.10应用 96
8.10.1人体姿势估计 96
8.10.2位移专家 97
讨论 98
备注 98
习题 98
第9章 分类模型 100
9.1逻辑回归 100
9.1.1学习：最大似然估计 102
9.1.2逻辑回归模型的问题 103
9.2贝叶斯逻辑回归 104
9.2.1学习 104
9.2.2推理 106
9.3非线性逻辑回归 107
9.4对偶逻辑回归模型 108
9.5核逻辑回归 110
9.6相关向量分类 111
9.7增量拟合和boosting 113
9.8分类树 116
9.9多分类逻辑回归 117
9.10随机树、随机森林和随机蕨分类器 118
9.11与非概率模型的联系 119
9.12应用 120
9.12.1性别分类 120
9.12.2脸部和行人检测 121
9.12.3语义分割 122
9.12.4恢复表面布局 123
9.12.5人体部位识别 124
讨论 125
备注 125
习题 127
第三部分 连接局部模型 130
第10章 图模型 130
10.1条件独立性 130
10.2有向图模型 131
10.2.1示例1 132
10.2.2示例2 132
10.2.3示例3 133
10.2.4总结 134
10.3无向图模型 134
10.3.1示例1 135
10.3.2示例2 136
10.4有向图模型与无向图模型的对比 136
10.5计算机视觉中的图模型 137
10.6含有多个未知量的模型推理 139
10.6.1求最大后验概率的解 139
10.6.2求后验概率分布的边缘分布 139
10.6.3最大化边缘 140
10.6.4后验分布的采样 140
10.7样本采样 140
10.7.1有向图模型的采样 141
10.7.2无向图模型的采样 141
10.8学习 142
10.8.1有向图模型的学习 142
10.8.2无向图模型的学习 143
讨论 145
备注 145
习题 145
第11章 链式模型和树模型 147
11.1链式模型 148
11.1.1有向链式模型 148
11.1.2无向链式模型 148
11.1.3模型的等价性 148
11.1.4隐马尔可夫模型在手语中的应用 149
11.2链式MAP推理 149
11.3树的MAP推理 152
11.4链式边缘后验推理 155
11.4.1求解边缘分布 155
11.4.2前向后向算法 156
11.4.3置信传播 157
11.4.4链式模型的和积算法 158
11.5树的边缘后验推理 160
11.6链式模型和树模型的学习 161
11.7链式模型和树模型之外的东西 161
11.8应用 163
11.8.1手势跟踪 163
11.8.2立体视觉 164
11.8.3形象化结构 166
11.8.4分割 167
讨论 167
备注 168
习题 169
第12章 网格模型 172
12.1马尔可夫随机场 172
12.1.1网格示例 173
12.1.2离散成对MRF图像去噪 174
12.2二值成对马尔可夫随机场的MAP推理 175
12.2.1最大流/最小割 176
12.2.2 MAP推理：二值变量 177
12.3多标签成对MRF的MAP推理 182
12.4非凸势的多标签MRF 186
12.5条件随机场 189
12.6高阶模型 190
12.7网格有向模型 190
12.8应用 191
12.8.1背景差分 191
12.8.2交互式分割 192
12.8.3立体视觉 193
12.8.4图像重排 193
12.8.5超分辨率 195
12.8.6纹理合成 196
12.8.7合成新面孔 197
讨论 198
备注 198
习题 200
第四部分 预处理 204
第13章 图像预处理与特征提取 204
13.1逐像素变换 204
13.1.1白化 204
13.1.2直方图均衡化 205
13.1.3线性滤波 206
13.1.4局部二值模式 210
13.1.5纹理基元映射 211
13.2边缘、角点和兴趣点 212
13.2.1 Canny边缘检测器 212
13.2.2 Harris角点检测器 214
13.2.3 SIFT检测器 215
13.3描述子 216
13.3.1直方图 216
13.3.2 SIFT描述子 216
13.3.3方向梯度直方图 217
13.3.4词袋描述子 218
13.3.5形状内容描述子 218
13.4降维 219
13.4.1单数值近似 220
13.4.2主成分分析 221
13.4.3二元主成分分析 221
13.4.4 K均值算法 222
结论 223
备注 223
习题 224
第五部分 几何模型 228
第14章 针孔摄像机 228
14.1针孔摄像机简介 228
14.1.1归一化摄像机 229
14.1.2焦距参数 230
14.1.3偏移量和偏移参数 230
14.1.4摄像机的位置与方向 231
14.1.5全针孔摄像机模型 232
14.1.6径向畸变 232
14.2三个几何问题 233
14.2.1问题1：学习外在参数 233
14.2.2问题2：学习内在参数 234
14.2.3问题3：推理3D世界点 235
14.2.4解决问题 235
14.3齐次坐标 236
14.4学习外在参数 237
14.5学习内在参数 239
14.6推理3D世界点 240
14.7应用 241
14.7.1结构光的深度 241
14.7.2剪影重构 243
讨论 245
备注 245
习题 246
第15章 变换模型 249
15.1二维变换模型 249
15.1.1欧氏变换模型 249
15.1.2相似变换模型 251
15.1.3仿射变换模型 252
15.1.4投影变换模型 252
15.1.5增加不确定性 254
15.2变换模型中的学习 255
15.2.1学习欧氏参数 255
15.2.2学习相似参数 256
15.2.3学习仿射参数 256
15.2.4学习投影参数 257
15.3变换模型中的推理 258
15.4平面的三个几何问题 258
15.4.1问题1：学习外在参数 258
15.4.2问题2：学习内在参数 260
15.4.3问题3：与摄像机相关的3D位置推理 261
15.5图像间的变换 261
15.5.1单应性的几何特征 262
15.5.2计算图像间的变换 263
15.6变换的鲁棒学习 264
15.6.1 RANSAC 264
15.6.2连续RANSAC 265
15.6.3 PEaRL 266
15.7应用 268
15.7.1增强现实追踪 268
15.7.2视觉全景 269
讨论 270
备注 270
习题 271
第16章 多摄像机系统 273
16.1双视图几何学理论 273
16.1.1极线约束 274
16.1.2极点 274
16.2实矩阵 275
16.2.1实矩阵的属性 276
16.2.2实矩阵的分解 277
16.3基础矩阵 279
16.3.1基础矩阵的估计 279
16.3.2 8点算法 280
16.4双视图重构的流程 281
16.5校正 284
16.5.1平面校正 284
16.5.2极面校正 286
16.5.3校正后处理 287
16.6多视图重构 287
16.7应用 290
16.7.1三维重构 290
16.7.2图片浏览 291
16.7.3立体图割 292
讨论 293
备注 293
习题 294
第六部分 视觉模型 298
第17章 形状模型 298
17.1形状及其表示 298
17.2 snake模型 299
17.2.1推理 301
17.2.2 snake模型中存在的问题 301
17.3形状模板 302
17.3.1推理 303
17.3.2用迭代最近点算法进行推理 304
17.4统计形状模型 304
17.4.1学习 305
17.4.2推理 306
17.5子空间形状模型 306
17.5.1概率主成分分析 307
17.5.2学习 308
17.5.3推理 309
17.6三维形状模型 311
17.7形状和外观的统计模型 311
17.7.1学习 313
17.7.2推理 314
17.8非高斯统计形状模型 315
17.8.1回归PPCA 315
17.8.2高斯过程隐变量模型 316
17.9铰接式模型 317
17.10应用 319
17.10.1三维形变模型 319
17.10.2三维人体模型 321
讨论 322
备注 322
习题 324
第18章 身份与方式模型 326
18.1子空间身份模型 328
18.1.1学习 329
18.1.2推理 331
18.1.3在其他识别任务中的推理 332
18.1.4身份子空间模型的局限性 333
18.2概率线性判别分析 334
18.2.1学习 335
18.2.2推理 335
18.3非线性身份模型 336
18.4非对称双线性模型 337
18.4.1学习 339
18.4.2推理 339
18.5对称双线性和多线性模型 341
18.5.1学习 342
18.5.2推理 343
18.5.3多线性模型 344
18.6应用 344
18.6.1人脸识别 344
18.6.2纹理建模 345
18.6.3动画合成 346
讨论 346
备注 346
习题 348
第19章 时序模型 349
19.1时序估计框架 349
19.1.1推理 350
19.1.2学习 350
19.2卡尔曼滤波器 351
19.2.1推理 351
19.2.2改写测量合并阶段 352
19.2.3推理总结 353
19.2.4示例1 353
19.2.5示例2 354
19.2.6滤波 355
19.2.7时序和测量模型 356
19.2.8卡尔曼滤波器的问题 358
19.3扩展卡尔曼滤波器 358
19.4无损卡尔曼滤波器 360
19.4.1状态演化 361
19.4.2测量合并过程 362
19.5粒子滤波 363
19.5.1时间演化 364
19.5.2测量合并 364
19.5.3扩展 366
19.6应用 366
19.6.1行人跟踪 366
19.6.2单目的即时定位与地图构建 366
19.6.3在复杂背景中跟踪轮廓线 367
讨论 369
备注 369
习题 370
第20章 视觉词模型 372
20.1视觉词集合的图像 372
20.2词袋 373
20.2.1学习 374
20.2.2推理 374
20.2.3词袋模型的相关问题 375
20.3隐狄利克雷分布 376
20.3.1学习 377
20.3.2非监督物体检测 379
20.4单一创作-主题模型 380
20.4.1学习 381
20.4.2推理 382
20.5星座模型 382
20.5.1学习 383
20.5.2推理 385
20.6场景模型 385
20.7应用 386
20.7.1视频搜索 386
20.7.2行为识别 387
讨论 388
备注 389
习题 389
第七部分 附录 392
附录A符号说明 392
附录B 最优化 394
附录C线性代数 402
参考文献 413