電腦視覺：原理算法與實踐

第1章緒論

1.1什麽是電腦視覺

1.2電腦視覺應用舉例

1.2.1人臉識別

1.2.2智能監控

1.2.3醫學影像分析

1.2.4視覺定位

1.2.5三維場景重建

1.2.6無人(輔助)駕駛

1.2.7農業智能化

1.2.8智能家居

1.2.9虛擬現實

1.2.10工業自動化

1.3發展簡史

1.3.1電腦視覺萌芽

1.3.2形成獨立學科

1.3.3蓬勃發展期

1.3.4機器學習與電腦視覺深度交融

1.4本書章節安排

1.5習題

參考文獻

第一篇圖像的全景拼接

第2章圖像全景拼接問題概述

2.1問題的定義

2.2方案流程

2.3本篇內容知識體系

第3章線性幾何變換

3.1平面上的線性幾何變換

3.1.1旋轉變換

3.1.2歐氏變換

3.1.3相似變換

3.1.4仿射變換

3.1.5射影變換

3.2變換群與幾何學

3.2.1群的定義

3.2.2線性幾何變換群

3.3三維空間中的線性幾何變換

3.4習題

參考文獻

第4章特徵點檢測與匹配

4.1哈裡斯角點及其描述子

4.1.1哈裡斯角點檢測算法設計思路

4.1.2哈裡斯角點檢測算法的實現

4.1.3哈裡斯角點的特徵描述子

4.2SIFT特徵點及其特徵描述子

4.2.1特徵點檢測基本思想

4.2.2特徵點檢測算法實現

4.2.3描述子構造

4.3ORB特徵點及其特徵描述子

4.3.1ORB中的特徵點檢測

4.3.2ORB中的特徵描述子

4.3.3ORB中的多尺度處理

4.4特徵點匹配

4.5實踐

4.6習題

參考文獻

第5章線性最小二乘問題

5.1齊次線性最小二乘問題

5.1.1問題定義

5.1.2問題的求解

5.2非齊次線性最小二乘問題

5.2.1問題定義

5.2.2問題的求解

5.2.3基於奇異值分解原理的求解方法

5.3習題

參考文獻

第6章射影矩陣的魯棒估計與圖像的插值

6.1隨機抽樣一致算法

6.2圖像的插值

6.3實踐

6.4習題

參考文獻

第二篇單 目 測 量

第7章單目測量問題概述

7.1問題的定義

7.2方案流程

7.3本篇內容知識體系

參考文獻

第8章射影幾何初步

8.1射影平面

8.2射影平面上點的齊次坐標

8.3射影平面上的點與直線

8.3.1兩點所確定的直線

8.3.2兩條直線所確定的交點

8.4習題

參考文獻

第9章非線性最小二乘問題

9.1無約束優化問題基礎

9.1.1問題定義與基本概念

9.1.2阻尼法

9.2非線性最小二乘問題及其解法

9.2.1問題定義與基本概念

9.2.2高斯牛頓法

9.2.3列文伯格馬誇特法

9.3習題

參考文獻

第10章相機成像模型與內參標定

10.1不考慮鏡頭畸變的成像模型

10.2考慮鏡頭畸變的成像模型

10.2.1普通鏡頭畸變模型

10.2.2魚眼鏡頭畸變模型

10.3相機內參標定

10.3.1相機內參標定算法的基本流程

10.3.2三維空間旋轉的軸角表達

10.3.3相機成像模型參數的初始估計

10.3.4相機成像模型參數的迭代優化

10.4鏡頭畸變去除

10.5實踐

10.5.1基於Matlab的相機內參標定

10.5.2基於OpenCV和C++的魚眼相機內參標定

10.6習題

參考文獻

第11章鳥瞰視圖

11.1基本流程

11.2鳥瞰視圖坐標繫到物理平面坐標系的映射

11.3物理平面坐標繫到去畸變圖像坐標系的映射

11.4去畸變圖像坐標繫到原始圖像坐標系的映射

11.5習題

參考文獻

第三篇目 標 檢 測

第12章目標檢測問題概述

12.1目標檢測技術的應用領域

12.2目標檢測技術的簡要發展歷程

12.2.1傳統方法

12.2.2基於深度學習的方法

12.3本篇內容安排

參考文獻

第13章凸優化基礎

13.1凸優化問題

13.1.1凸集與仿射集

13.1.2凸函數

13.1.3優化問題

13.1.4凸優化問題

13.2對偶

13.2.1對偶函數

13.2.2對偶問題

13.2.3強對偶性與斯萊特條件

13.2.4強弱對偶性的“最大最小”刻畫

13.2.5KKT最優條件

13.2.6利用對偶問題來求解原問題

13.3總結

13.4習題

參考文獻

第14章SVM與基於SVM的目標檢測

14.1線性分類問題

14.2感知器算法

14.3線性可分SVM

14.3.1線性可分SVM的問題建模

14.3.2線性可分SVM問題的求解

14.4軟間隔與線性SVM

14.4.1問題建模

14.4.2問題求解

14.5非線性SVM與核函數

14.5.1核函數與核技巧

14.5.2非線性SVM

14.6針對多類分類問題的SVM

14.7SVM在目標檢測問題上的應用

14.7.1方向梯度直方圖

14.7.2基於HOG+SVM的目標檢測

14.8習題

參考文獻

第15章

YOLO： 基於深度捲積神經網絡的

目標檢測模型

15.1YOLO系列算法簡介

15.2YOLOv1

15.2.1網絡結構及其運行時推理

15.2.2損失函數

15.2.3參數設置解讀與缺陷分析

15.3YOLOv3

15.3.1網絡結構

15.3.2運行時預測輸出解析

15.3.3損失函數

15.4YOLOv8

15.4.1網絡結構

15.4.2運行時預測輸出解析

15.4.3損失函數

15.5實踐1： YOLOv4

15.5.1硬件與軟件環境準備

15.5.2編譯darknet

15.5.3測試開發者提供的已訓練好的模型

15.5.4訓練自己的模型

15.6實踐2： YOLOv8

15.6.1運行環境配置

15.6.2測試已訓練好的模型

15.6.3訓練自己的模型

15.6.4跨環境模型交換

15.7習題

參考文獻

第四篇三維立體視覺

第16章三維立體視覺概述

16.1三維立體視覺技術的內涵

16.2三維立體視覺技術的應用領域

16.3本篇內容安排

第17章雙目立體視覺

17.1校正化雙目系統及該系統下的深度計算

17.1.1校正化雙目系統

17.1.2校正化雙目系統下的深度計算

17.2雙目系統參數標定

17.3對極幾何及其表達

17.3.1對極幾何

17.3.2本質矩陣與基礎矩陣

17.3.3本質矩陣的計算

17.3.4校正化雙目系統的對極幾何屬性

17.4雙目校正

17.4.1校正化雙目系統的構建

17.4.2校正化雙目圖像的獲取

17.5立體匹配與視差圖計算

17.6基於視差圖的三維重建

17.7實踐

17.7.1基於Matlab的雙目立體視覺

17.7.2基於OpenCV和C++的雙目立體視覺

17.8習題

參考文獻

第18章神經輻射場

18.1基於輻射場的體渲染

18.1.1連續型形式

18.1.2離散型形式

18.2輻射場的隱式表達及其學習

18.2.1輻射場的隱式表達

18.2.2神經輻射場的學習

18.3基於神經輻射場的三維重建

18.4實踐

18.5習題

參考文獻

附錄

A泰勒展開

A.1一元函數的泰勒展開

A.2多元函數的泰勒展開

B圓錐曲線

C數字圖像導數的近似計算

D高斯函數的捲積及其傅里葉變換

E主曲率與海森矩陣

F拉格朗日乘子法

G函數或自變量形式為矩陣或向量時的求導運算

G.1向量和矩陣函數對標量變量求導

G.2標量函數對矩陣變量求導

G.3標量函數對向量變量求導

G.4向量函數對向量變量求導

G.5常用結論

H奇異值分解

H.1奇異值分解定理

H.2奇異值分解的經濟型(economysized)表達形式

H.3奇異值分解的矩陣和表達形式

H.4奇異值分解與特徵值分解之間的聯系

H.5本質矩陣的奇異值

I函數的極值點、駐點和鞍點

J羅德里格斯公式

KYolo_mark

K.1Yolo_mark的編譯

K.2用Yolo_mark完成針對圖像目標檢測任務的標註

LAnaconda

M在Windows系統下編譯OpenCV和OpenCV_Contrib

N安裝Eigen3

O在Windows系統下編譯並安裝Pangolin

P部分核心代碼摘錄

P.1哈裡斯角點檢測

P.2兩張圖像上的特徵描述子集合匹配

P.3基於RANSAC的平面間射影矩陣的估計

P.4在Matlab中基於相機內參去除圖像中的鏡頭畸變

P.5基於OpenCV和C++的魚眼相機內參標定

P.6基於Matlab的線性SVM和非線性SVM

P.7從實時視頻流輸入中進行目標檢測

P.8雙目相機系統外參標定

P.9校正化雙目系統構建及校正化圖像生成

P.10讀入雙目外參計算視差圖及點雲

P.11基於C++和OpenCV的雙目相機系統參數標定

P.12彩色點雲生成

參考文獻