滿額折
模式識別基礎理論及其計算機視覺應用（簡體書）
商品資訊
系列名：高等學校智能科學與技術專業系列教材
ISBN13：9787560656694
出版社：西安電子科技大學出版社
作者：成科揚
出版日：2020/08/14
裝訂／頁數：平裝／184頁
規格：24cm*17cm (高/寬)
商品簡介
目次
相關商品
商品簡介
本書系統地介紹了模式識別的基本原理及其在計算機視覺中的具體應用。本書內容包括模式識別與計算機視覺概述、分類器、神經網絡分類器、聚類分析、蟻群和粒子群聚類算法、時序模型、圖像匹配、圖像分類與分割以及視頻動作識別等。
本書可作為信息科學、計算機科學、計算機應用、模式識別、人工智能等學科大學本科生或研究生的專業教材, 也可供計算機視覺、模式識別技術應用行業的科技工作者自學或參考。
本書可作為信息科學、計算機科學、計算機應用、模式識別、人工智能等學科大學本科生或研究生的專業教材, 也可供計算機視覺、模式識別技術應用行業的科技工作者自學或參考。
目次
第一章 模式識別與計算機視覺概述 2
1.1 概念認知 2
1.1.1 模式識別 2
1.1.2 視覺與計算機視覺 2
1.2 模式識別與計算機視覺發展史 3
1.2.1 模式識別發展史 3
1.2.2 計算機視覺發展史 4
1.3 模式識別的應用 5
1.4 計算機視覺發展方向 6
1.4.1 目標檢測 6
1.4.2 圖像語義分割 7
1.4.3 運動目標檢測與跟蹤 8
1.4.4 三維重建 8
1.4.5 人體動作識別 9
本章小結 9
習題 10
模式識別理論篇
第二章 分類器 12
2.1 距離分類器 12
2.1.1 最近鄰分類及其加速 14
2.1.2 K近鄰算法 18
2.1.3 距離和相似性度量 20
2.2 支持向量機 25
2.2.1 最優線性判別函數分類器 25
2.2.2 支持向量機的學習 26
2.2.3 核函數與非線性支持向量機 31
2.3 分類器性能評價 33
2.3.1 評價指標 34
2.3.2 評價方法 37
本章小結 38
習題 39
第三章 神經網絡分類器 40
3.1 神經網絡 40
3.1.1 神經網絡概述 40
3.1.2 代價函數 41
3.2 反向傳播算法及其改進 42
3.3 BP神經網絡 43
3.4 對偶傳播神經網絡 45
3.4.1 網絡結構與運行原理 45
3.4.2 學習算法 46
3.4.3 改進CPN 47
3.4.4 CPN應用 48
3.5 概率神經網絡 49
3.5.1 模式分類和貝葉斯決策理論 49
3.5.2 概率神經網絡的結構 49
3.5.3 概率神經網絡的優點 50
3.6 卷積神經網絡 51
3.7 深度神經網絡模型 53
3.7.1 Inception V1模型 55
3.7.2 Inception V2模型 55
3.7.3 Inception V3模型 56
本章小結 57
習題 57
第四章 聚類分析 58
4.1 無監督學習與聚類 58
4.1.1 無監督學習動機 58
4.1.2 聚類分析的應用 59
4.1.3 聚類分析的過程 60
4.1.4 聚類問題的描述60
4.2 簡單聚類方法 62
4.2.1 順序聚類 62
4.2.2 最大最小距離聚類 63
4.3 層次聚類算法 63
4.4 動態聚類算法 65
4.4.1 K均值算法理論基礎 65
4.4.2 K均值算法 66
4.4.3 K均值算法的改進 66
4.5 模擬退火聚類算法 68
4.5.1 物理退火過程 68
4.5.2 模擬退火算法的基本原理 69
4.5.3 退火方式 71
4.6 聚類檢驗 71
4.6.1 聚類結果的檢驗 71
4.6.2 聚類數的間接選擇 72
4.6.3 聚類數的直接選擇 73
本章小結 74
習題 75
第五章 蟻群和粒子群聚類算法 76
5.1 蟻群和粒子群算法簡介 76
5.2 蟻群算法 76
5.2.1 蟻群算法的基本原理 76
5.2.2 蟻群算法基本流程 77
5.2.3 蟻群算法的規則說明 78
5.2.4 TSP的提出 78
5.2.5 蟻群算法的優點和缺點 80
5.3 粒子群算法 80
5.3.1 粒子群算法的基本原理 80
5.3.2 粒子群優化方法的一般數學模型 81
5.3.3 粒子群算法的優點和缺點 82
5.4 蟻群算法和粒子群算法的對比 82
5.5 改進的蟻群算法 83
5.5.1 帶精英策略的螞蟻系統 83
5.5.2 基於優化排序的螞蟻系統 83
5.5.3 最大最小螞蟻系統 84
5.6 粒子群算法的優化 84
5.6.1 基於個體位置變異的粒子群算法 85
5.6.2 基於動態鄰域的多目標粒子群優化算法 86
5.6.3 基於異維變異的差分混合粒子群算法 88
本章小結 91
習題 91
第六章 時序模型 92
6.1 時序分析概述 92
6.1.1 時間序列數據的相關概念 92
6.1.2 時間序列數據預測的研究綜述 93
6.1.3 時間序列數據聚類的研究綜述 96
6.1.4 面向時間序列數據挖掘技術的應用領域 97
6.2 隱馬爾可夫模型 98
6.2.1 HMM適合的情形 98
6.2.2 HMM的定義 98
6.2.3 HMM實例 99
6.2.4 HMM觀測序列的生成 100
6.2.5 HMM的三個基本問題及其解決 100
6.3 隱馬爾可夫模型的優化 104
6.3.1 問題描述 104
6.3.2 改進的HMM學習算法 104
6.4 循環神經網絡及其優化 106
6.4.1 循環神經網絡概述 106
6.4.2 循環神經網絡模型結構 107
6.4.3 改進的循環神經網絡 109
6.5 長短期記憶網絡及其改進 110
6.5.1 RNN梯度消失問題 110
6.5.2 長短期記憶型循環神經網絡 110
6.5.3 LSTM型RNN訓練過程 111
6.5.4 LSTM改進算法――GRU算法 113
本章小結 114
習題 114
計算機視覺應用篇
第七章 圖像匹配 116
7.1 圖像匹配及其應用 116
7.2 圖像匹配的要素 116
7.3 圖像匹配的常用方法 117
7.3.1 基於圖像特徵點的匹配方法 117
7.3.2 基於圖像灰度信息的匹配方法 119
7.3.3 基於相位相關的匹配方法 121
7.4 特徵分佈不均勻的圖像精配准算法 121
7.4.1 常見圖像配准方法的一般過程及存在問題 121
7.4.2 層次配准方法 123
7.4.3 粗層次配准算法 123
7.4.4 網格化下精配准算法 127
7.4.5 特徵匹配與融合配准 131
7.5 本章小節 132
習題 132
第八章 圖像分類與分割 133
8.1 圖像分類及其過程 133
8.1.1 圖像分類概述 133
8.1.2 圖像分類流程 133
8.1.3 圖像分類方法概述 134
8.2 基於隨機森林的圖像分類 135
8.2.1 圖像分類的隨機森林算法 136
8.2.2 基於隨機森林的圖像分類效果及分析 138
8.3 基於SVM的圖像分類 139
8.3.1 圖像分類SVM算法 139
8.3.2 基於SVM的圖像分類效果及分析 140
8.4 基於深度學習的圖像分類 141
8.4.1 圖像分類CNN模型 141
8.4.2 基於CNN模型的圖像分類效果及分析 144
8.5 圖像分割 145
8.5.1 圖像分割的定義 145
8.5.2 圖像分割算法概述 145
8.6 基於閾值法的圖像分割 147
8.6.1 閾值法的基本原理 147
8.6.2 基於閾值法的圖像分割方法分類 148
8.6.3 基於閾值法的圖像分割的實現 148
8.7 基於分水嶺算法的圖像分割 149
8.7.1 分水嶺算法概述 149
8.7.2 分水嶺算法的原理 150
8.7.3 基於密度模糊聚類的分水嶺分割算法 151
8.8 基於蟻群算法的圖像分割 152
8.8.1 蟻群算法應用背景 152
8.8.2 圖像分割中的特徵提取 153
8.8.3 圖像分割中的蟻群算法 153
8.8.4 基於蟻群算法的圖像分割效果及分析 155
本章小結 157
習題 157
第九章 視頻動作識別 158
9.1 動作識別概述 158
9.1.1 動作識別的難點 158
9.1.3 動作識別流程 159
9.2 運動目標檢測技術 160
9.2.1 動作視頻分割技術 160
9.2.2 動作區域分割技術 160
9.3 動作特徵提取技術 161
9.3.1 剪影特徵 161
9.3.2 光流特徵 162
9.3.3 梯度特徵 162
9.3.4 深度特徵 162
9.3.5 CNNs學習特徵 163
9.3.6 RNNs學習特徵 163
9.4 動作特徵理解技術 164
9.4.1 動作時空表徵模板 164
9.4.2 動作分類器 165
9.5 基於雙流模型卷積神經網絡的動作識別 165
9.5.1 空間流卷積神經網絡166
9.5.2 時間流卷積神經網絡 166
9.5.3 時空網絡融合策略 167
9.6 基於多流模型卷積神經網絡的動作識別 168
9.6.1 Threestream CNNs動作識別模型結構框架 168
9.6.2 基於Threestream CNNs動作識別的實現 170
本章小結 172
習題 172
參考文獻 173
1.1 概念認知 2
1.1.1 模式識別 2
1.1.2 視覺與計算機視覺 2
1.2 模式識別與計算機視覺發展史 3
1.2.1 模式識別發展史 3
1.2.2 計算機視覺發展史 4
1.3 模式識別的應用 5
1.4 計算機視覺發展方向 6
1.4.1 目標檢測 6
1.4.2 圖像語義分割 7
1.4.3 運動目標檢測與跟蹤 8
1.4.4 三維重建 8
1.4.5 人體動作識別 9
本章小結 9
習題 10
模式識別理論篇
第二章 分類器 12
2.1 距離分類器 12
2.1.1 最近鄰分類及其加速 14
2.1.2 K近鄰算法 18
2.1.3 距離和相似性度量 20
2.2 支持向量機 25
2.2.1 最優線性判別函數分類器 25
2.2.2 支持向量機的學習 26
2.2.3 核函數與非線性支持向量機 31
2.3 分類器性能評價 33
2.3.1 評價指標 34
2.3.2 評價方法 37
本章小結 38
習題 39
第三章 神經網絡分類器 40
3.1 神經網絡 40
3.1.1 神經網絡概述 40
3.1.2 代價函數 41
3.2 反向傳播算法及其改進 42
3.3 BP神經網絡 43
3.4 對偶傳播神經網絡 45
3.4.1 網絡結構與運行原理 45
3.4.2 學習算法 46
3.4.3 改進CPN 47
3.4.4 CPN應用 48
3.5 概率神經網絡 49
3.5.1 模式分類和貝葉斯決策理論 49
3.5.2 概率神經網絡的結構 49
3.5.3 概率神經網絡的優點 50
3.6 卷積神經網絡 51
3.7 深度神經網絡模型 53
3.7.1 Inception V1模型 55
3.7.2 Inception V2模型 55
3.7.3 Inception V3模型 56
本章小結 57
習題 57
第四章 聚類分析 58
4.1 無監督學習與聚類 58
4.1.1 無監督學習動機 58
4.1.2 聚類分析的應用 59
4.1.3 聚類分析的過程 60
4.1.4 聚類問題的描述60
4.2 簡單聚類方法 62
4.2.1 順序聚類 62
4.2.2 最大最小距離聚類 63
4.3 層次聚類算法 63
4.4 動態聚類算法 65
4.4.1 K均值算法理論基礎 65
4.4.2 K均值算法 66
4.4.3 K均值算法的改進 66
4.5 模擬退火聚類算法 68
4.5.1 物理退火過程 68
4.5.2 模擬退火算法的基本原理 69
4.5.3 退火方式 71
4.6 聚類檢驗 71
4.6.1 聚類結果的檢驗 71
4.6.2 聚類數的間接選擇 72
4.6.3 聚類數的直接選擇 73
本章小結 74
習題 75
第五章 蟻群和粒子群聚類算法 76
5.1 蟻群和粒子群算法簡介 76
5.2 蟻群算法 76
5.2.1 蟻群算法的基本原理 76
5.2.2 蟻群算法基本流程 77
5.2.3 蟻群算法的規則說明 78
5.2.4 TSP的提出 78
5.2.5 蟻群算法的優點和缺點 80
5.3 粒子群算法 80
5.3.1 粒子群算法的基本原理 80
5.3.2 粒子群優化方法的一般數學模型 81
5.3.3 粒子群算法的優點和缺點 82
5.4 蟻群算法和粒子群算法的對比 82
5.5 改進的蟻群算法 83
5.5.1 帶精英策略的螞蟻系統 83
5.5.2 基於優化排序的螞蟻系統 83
5.5.3 最大最小螞蟻系統 84
5.6 粒子群算法的優化 84
5.6.1 基於個體位置變異的粒子群算法 85
5.6.2 基於動態鄰域的多目標粒子群優化算法 86
5.6.3 基於異維變異的差分混合粒子群算法 88
本章小結 91
習題 91
第六章 時序模型 92
6.1 時序分析概述 92
6.1.1 時間序列數據的相關概念 92
6.1.2 時間序列數據預測的研究綜述 93
6.1.3 時間序列數據聚類的研究綜述 96
6.1.4 面向時間序列數據挖掘技術的應用領域 97
6.2 隱馬爾可夫模型 98
6.2.1 HMM適合的情形 98
6.2.2 HMM的定義 98
6.2.3 HMM實例 99
6.2.4 HMM觀測序列的生成 100
6.2.5 HMM的三個基本問題及其解決 100
6.3 隱馬爾可夫模型的優化 104
6.3.1 問題描述 104
6.3.2 改進的HMM學習算法 104
6.4 循環神經網絡及其優化 106
6.4.1 循環神經網絡概述 106
6.4.2 循環神經網絡模型結構 107
6.4.3 改進的循環神經網絡 109
6.5 長短期記憶網絡及其改進 110
6.5.1 RNN梯度消失問題 110
6.5.2 長短期記憶型循環神經網絡 110
6.5.3 LSTM型RNN訓練過程 111
6.5.4 LSTM改進算法――GRU算法 113
本章小結 114
習題 114
計算機視覺應用篇
第七章 圖像匹配 116
7.1 圖像匹配及其應用 116
7.2 圖像匹配的要素 116
7.3 圖像匹配的常用方法 117
7.3.1 基於圖像特徵點的匹配方法 117
7.3.2 基於圖像灰度信息的匹配方法 119
7.3.3 基於相位相關的匹配方法 121
7.4 特徵分佈不均勻的圖像精配准算法 121
7.4.1 常見圖像配准方法的一般過程及存在問題 121
7.4.2 層次配准方法 123
7.4.3 粗層次配准算法 123
7.4.4 網格化下精配准算法 127
7.4.5 特徵匹配與融合配准 131
7.5 本章小節 132
習題 132
第八章 圖像分類與分割 133
8.1 圖像分類及其過程 133
8.1.1 圖像分類概述 133
8.1.2 圖像分類流程 133
8.1.3 圖像分類方法概述 134
8.2 基於隨機森林的圖像分類 135
8.2.1 圖像分類的隨機森林算法 136
8.2.2 基於隨機森林的圖像分類效果及分析 138
8.3 基於SVM的圖像分類 139
8.3.1 圖像分類SVM算法 139
8.3.2 基於SVM的圖像分類效果及分析 140
8.4 基於深度學習的圖像分類 141
8.4.1 圖像分類CNN模型 141
8.4.2 基於CNN模型的圖像分類效果及分析 144
8.5 圖像分割 145
8.5.1 圖像分割的定義 145
8.5.2 圖像分割算法概述 145
8.6 基於閾值法的圖像分割 147
8.6.1 閾值法的基本原理 147
8.6.2 基於閾值法的圖像分割方法分類 148
8.6.3 基於閾值法的圖像分割的實現 148
8.7 基於分水嶺算法的圖像分割 149
8.7.1 分水嶺算法概述 149
8.7.2 分水嶺算法的原理 150
8.7.3 基於密度模糊聚類的分水嶺分割算法 151
8.8 基於蟻群算法的圖像分割 152
8.8.1 蟻群算法應用背景 152
8.8.2 圖像分割中的特徵提取 153
8.8.3 圖像分割中的蟻群算法 153
8.8.4 基於蟻群算法的圖像分割效果及分析 155
本章小結 157
習題 157
第九章 視頻動作識別 158
9.1 動作識別概述 158
9.1.1 動作識別的難點 158
9.1.3 動作識別流程 159
9.2 運動目標檢測技術 160
9.2.1 動作視頻分割技術 160
9.2.2 動作區域分割技術 160
9.3 動作特徵提取技術 161
9.3.1 剪影特徵 161
9.3.2 光流特徵 162
9.3.3 梯度特徵 162
9.3.4 深度特徵 162
9.3.5 CNNs學習特徵 163
9.3.6 RNNs學習特徵 163
9.4 動作特徵理解技術 164
9.4.1 動作時空表徵模板 164
9.4.2 動作分類器 165
9.5 基於雙流模型卷積神經網絡的動作識別 165
9.5.1 空間流卷積神經網絡166
9.5.2 時間流卷積神經網絡 166
9.5.3 時空網絡融合策略 167
9.6 基於多流模型卷積神經網絡的動作識別 168
9.6.1 Threestream CNNs動作識別模型結構框架 168
9.6.2 基於Threestream CNNs動作識別的實現 170
本章小結 172
習題 172
參考文獻 173
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。