掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
¥人臉識別與人體動作識別技術及應用 版權信息
- ISBN：9787121266607
- 條形碼：9787121266607 ; 978-7-121-26660-7
- 裝幀：平塑
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
¥人臉識別與人體動作識別技術及應用 內容簡介
本書以模式識別的一些基本理論與方法為基礎，重點討論了模式識別在人臉識別、人臉配準、人臉檢測、素描人臉識別、圖像超分辨率重建、Kinect人體動作識別中的應用。全書共分7章，第1章概述了人臉識別技術與人臉圖像超分辨率重建技術的發展現狀。第2章提出了基于人臉紋理特征點3D人臉配準算法和基于均值權重粒子濾波器的人臉檢測跟蹤算法。第3章提出了基于LBP的素描人臉識別算法。第4章提出了一種基于Gabor小波變換和隱馬爾可夫模型的人臉識別算法。第5章提出了一種基于分塊PCA的單幀人臉超分辨率算法。第6章提出了基于空間幾何角度信息的人體動作識別算法。第7章實現了一種基于Kinect的手勢識別算法，完成了對智能小車的控制。
¥人臉識別與人體動作識別技術及應用 目錄
目 錄
第1章 緒論 1
1.1 人臉識別技術的研究與應用 1
1.1.1 國內外人臉庫介紹 2
1.1.2 國內外研究現狀 2
1.1.3 人臉識別技術的難點和發展趨勢 3
1.2 人臉圖像超分辨率重建技術的研究與實現 4
1.2.1 圖像超分辨率的發展及國內外研究現狀 8
1.2.2 低分辨率圖像退化模型 10
1.3 空間角度的人體行為識別介紹 11
1.3.1 國內外研究現狀 13
1.3.2 人體行為視頻數據庫 14
本章參考文獻 17
第2章 人臉圖像配準和人臉檢測跟蹤 21
2.1 人臉配準簡介 21
2.1.1 3D人臉配準簡介 22
2.1.2 數據庫簡介 22
2.2 3D人臉配準 23
2.2.1 獲取紋理圖像 24
2.2.2 檢測特征點 25
2.2.3 細化特征點位置 25
2.2.4 特征點模型標準化 27
2.2.5 3D人臉模型配準 28
2.3 人臉檢測簡介與常用算法介紹 30
2.3.1 神經網絡 31
2.3.2 支持向量機（SVM） 32
2.3.3 AdaBoost算法 32
2.4 Gentle AdaBoost人臉檢測算法 33
2.4.1 圖像訓練預處理 33
2.4.2 haar特征選擇和積分圖的計算 34
2.4.3 Gentle AdaBoost算法 35
2.5 實時人臉跟蹤 39
2.5.1 均值權重粒子濾波器 40
2.5.2 人臉檢測校正策略 41
2.5.3 人臉檢測和跟蹤實驗結果分析 42
2.6 本章小結 45
本章參考文獻 46
第3章 人臉驗證和素描人臉識別 48
3.1 人臉驗證簡介 48
3.2 SIFT匹配算法 50
3.2.1 SIFT算子 50
3.2.2 SIFT匹配 51
3.2.3 SIFT數量特征匹配分析 52
3.3 SIFT位置特征的人臉驗證算法 53
3.4 人臉驗證實驗結果與分析 55
3.4.1 SIFT數量特征的人臉識別 56
3.4.2 結合SIFT位置特征的人臉驗證 57
3.4.3 和傳統人臉驗證算法的對比 59
3.5 人臉識別簡介 61
3.6 LBP識別算法 62
3.6.1 LBP基本算子 62
3.6.2 LBP人臉識別 63
3.6.3 LBP算法分析 64
3.6.4 濾波器分析 65
3.7 結合LBP和分塊特征的識別算法 66
3.7.1 訓練算法 66
3.7.2 識別過程 70
3.8 素描人臉識別實驗結果和分析 70
3.8.1 訓練樣本數量分析 71
3.8.2 特征數量對識別效果的影響 72
3.8.3 識別級別對識別結果的影響 73
3.8.4 和目前已存在算法進行比較 74
3.8.5 交叉驗證實驗 75
3.9 本章小結 76
本章參考文獻 76
第4章 Gabor小波在人臉識別中的應用研究 79
4.1 人臉識別典型方法 80
4.1.1 子空間方法 80
4.1.2 基于連接機制的人臉識別方法 80
4.1.3 隱馬爾可夫模型識別方法 81
4.1.4 基于貝葉斯的人臉識別方法 81
4.1.5 基于流形的人臉識別 82
4.2 隱馬爾可夫模型 83
4.2.1 隱馬爾可夫模型介紹 83
4.2.2 隱馬爾可夫模型的三個基本問題 84
4.2.3 隱馬爾可夫模型算法實現中的問題 89
4.3 基于Gabor臉和HMM的人臉識別方法 95
4.3.1 研究背景 95
4.3.2 Gabor小波概述 97
4.3.3 利用Gabor小波進行特征提取 100
4.3.4 主元分析降維 103
4.3.5 HMM人臉識別 104
4.3.6 算法復雜度分析 107
4.3.7 實驗結果及分析 109
4.3.8 結論 117
4.4 基于Gabor小波、ICA和HMM的人臉識別方法 117
4.4.1 獨立元分析降維 117
4.4.2 實驗結果及分析 119
4.4.3 結論 123
4.5 本章小結 125
本章參考文獻 127
第5章 人臉圖像超分辨率重建 130
5.1 基于PCA的人臉超分辨率重建 131
5.1.1 PCA算法原理 131
5.1.2 算法流程 131
5.2 全局重建和殘差補償結合的人臉超分辨率重建 133
5.2.1 人臉超分辨率重建的約束條件 133
5.2.2 全局人臉重建 134
5.2.3 殘差補償 135
5.3 基于分塊PCA的單幀人臉圖像超分辨率重建 136
5.3.1 圖像分塊策略 136
5.3.2 訓練庫生成策略 138
5.3.3 算法流程 139
5.4 本章小結 142
本章參考文獻 143
第6章 Kinect人體動作識別 144
6.1 基于Kinect骨骼空間幾何角度的動作識別 145
6.1.1 人體骨骼信息獲取 145
6.1.2 骨骼空間角度特征提取 146
6.1.3 多分類支持向量機 151
6.1.4 訓練與識別結果分析 153
6.2 基于三維時空特征的人體行為識別 157
6.2.1 時空直方圖特征提取 157
6.2.2 基于圖像顯著性的輪廓特征提取 163
6.2.3 基于SVM的人體行為識別 166
6.2.4 行為識別結果及分析 166
6.3 本章小結 170
本章參考文獻 170
第7章 Kinect應用示例 172
7.1 基于深度信息的手勢識別的實現 172
7.1.1 基于Kinect的深度信息的獲取 173
7.1.2 手部區域分割 174
7.1.3 手勢分類 179
7.1.4 實驗結果 184
7.2 智能小車的設計與實現 190
7.2.1模塊介紹 190
7.2.2 PC端控制程序 194
7.2.3 智能小車制作與控制 195
7.3 本章小結 197
本章參考文獻 197
第1章 緒論 1
1.1 人臉識別技術的研究與應用 1
1.1.1 國內外人臉庫介紹 2
1.1.2 國內外研究現狀 2
1.1.3 人臉識別技術的難點和發展趨勢 3
1.2 人臉圖像超分辨率重建技術的研究與實現 4
1.2.1 圖像超分辨率的發展及國內外研究現狀 8
1.2.2 低分辨率圖像退化模型 10
1.3 空間角度的人體行為識別介紹 11
1.3.1 國內外研究現狀 13
1.3.2 人體行為視頻數據庫 14
本章參考文獻 17
第2章 人臉圖像配準和人臉檢測跟蹤 21
2.1 人臉配準簡介 21
2.1.1 3D人臉配準簡介 22
2.1.2 數據庫簡介 22
2.2 3D人臉配準 23
2.2.1 獲取紋理圖像 24
2.2.2 檢測特征點 25
2.2.3 細化特征點位置 25
2.2.4 特征點模型標準化 27
2.2.5 3D人臉模型配準 28
2.3 人臉檢測簡介與常用算法介紹 30
2.3.1 神經網絡 31
2.3.2 支持向量機（SVM） 32
2.3.3 AdaBoost算法 32
2.4 Gentle AdaBoost人臉檢測算法 33
2.4.1 圖像訓練預處理 33
2.4.2 haar特征選擇和積分圖的計算 34
2.4.3 Gentle AdaBoost算法 35
2.5 實時人臉跟蹤 39
2.5.1 均值權重粒子濾波器 40
2.5.2 人臉檢測校正策略 41
2.5.3 人臉檢測和跟蹤實驗結果分析 42
2.6 本章小結 45
本章參考文獻 46
第3章 人臉驗證和素描人臉識別 48
3.1 人臉驗證簡介 48
3.2 SIFT匹配算法 50
3.2.1 SIFT算子 50
3.2.2 SIFT匹配 51
3.2.3 SIFT數量特征匹配分析 52
3.3 SIFT位置特征的人臉驗證算法 53
3.4 人臉驗證實驗結果與分析 55
3.4.1 SIFT數量特征的人臉識別 56
3.4.2 結合SIFT位置特征的人臉驗證 57
3.4.3 和傳統人臉驗證算法的對比 59
3.5 人臉識別簡介 61
3.6 LBP識別算法 62
3.6.1 LBP基本算子 62
3.6.2 LBP人臉識別 63
3.6.3 LBP算法分析 64
3.6.4 濾波器分析 65
3.7 結合LBP和分塊特征的識別算法 66
3.7.1 訓練算法 66
3.7.2 識別過程 70
3.8 素描人臉識別實驗結果和分析 70
3.8.1 訓練樣本數量分析 71
3.8.2 特征數量對識別效果的影響 72
3.8.3 識別級別對識別結果的影響 73
3.8.4 和目前已存在算法進行比較 74
3.8.5 交叉驗證實驗 75
3.9 本章小結 76
本章參考文獻 76
第4章 Gabor小波在人臉識別中的應用研究 79
4.1 人臉識別典型方法 80
4.1.1 子空間方法 80
4.1.2 基于連接機制的人臉識別方法 80
4.1.3 隱馬爾可夫模型識別方法 81
4.1.4 基于貝葉斯的人臉識別方法 81
4.1.5 基于流形的人臉識別 82
4.2 隱馬爾可夫模型 83
4.2.1 隱馬爾可夫模型介紹 83
4.2.2 隱馬爾可夫模型的三個基本問題 84
4.2.3 隱馬爾可夫模型算法實現中的問題 89
4.3 基于Gabor臉和HMM的人臉識別方法 95
4.3.1 研究背景 95
4.3.2 Gabor小波概述 97
4.3.3 利用Gabor小波進行特征提取 100
4.3.4 主元分析降維 103
4.3.5 HMM人臉識別 104
4.3.6 算法復雜度分析 107
4.3.7 實驗結果及分析 109
4.3.8 結論 117
4.4 基于Gabor小波、ICA和HMM的人臉識別方法 117
4.4.1 獨立元分析降維 117
4.4.2 實驗結果及分析 119
4.4.3 結論 123
4.5 本章小結 125
本章參考文獻 127
第5章 人臉圖像超分辨率重建 130
5.1 基于PCA的人臉超分辨率重建 131
5.1.1 PCA算法原理 131
5.1.2 算法流程 131
5.2 全局重建和殘差補償結合的人臉超分辨率重建 133
5.2.1 人臉超分辨率重建的約束條件 133
5.2.2 全局人臉重建 134
5.2.3 殘差補償 135
5.3 基于分塊PCA的單幀人臉圖像超分辨率重建 136
5.3.1 圖像分塊策略 136
5.3.2 訓練庫生成策略 138
5.3.3 算法流程 139
5.4 本章小結 142
本章參考文獻 143
第6章 Kinect人體動作識別 144
6.1 基于Kinect骨骼空間幾何角度的動作識別 145
6.1.1 人體骨骼信息獲取 145
6.1.2 骨骼空間角度特征提取 146
6.1.3 多分類支持向量機 151
6.1.4 訓練與識別結果分析 153
6.2 基于三維時空特征的人體行為識別 157
6.2.1 時空直方圖特征提取 157
6.2.2 基于圖像顯著性的輪廓特征提取 163
6.2.3 基于SVM的人體行為識別 166
6.2.4 行為識別結果及分析 166
6.3 本章小結 170
本章參考文獻 170
第7章 Kinect應用示例 172
7.1 基于深度信息的手勢識別的實現 172
7.1.1 基于Kinect的深度信息的獲取 173
7.1.2 手部區域分割 174
7.1.3 手勢分類 179
7.1.4 實驗結果 184
7.2 智能小車的設計與實現 190
7.2.1模塊介紹 190
7.2.2 PC端控制程序 194
7.2.3 智能小車制作與控制 195
7.3 本章小結 197
本章參考文獻 197
展開全部
¥人臉識別與人體動作識別技術及應用 作者簡介
2005年4月—2007年12月 北京信息工程學院 通信工程系 講師2008年1月——至今 北京信息科技大學 通信工程系 副教授
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
隨園食單
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
- >
姑媽的寶刀
- >
經典常談
- >
月亮虎
- >
小考拉的故事-套裝共3冊
本類暢銷
