《计算机视觉中的相关滤波跟踪和图像质量评价》（魏龙生,罗大鹏,高常鑫）-图书推荐
编辑推荐语
本书可作为从事计算机视觉的科研人员了解视频目标检测、相关滤波跟踪、图像质量评价等知识的参考书，也可作为有关技术编程开发人员自学和参考的资料书。
内容提要
本书选择计算机视觉领域的相关滤波跟踪和图像质量评价两大部分作为研究内容。第一部分，通过视频目标检测确定需要跟踪的初始目标，研究了基于多峰响应的抗遮挡相关滤波跟踪、自适应特征选择的相关滤波跟踪、基于孪生网络的抗形变相关滤波跟踪等方法。第二部分，将图像质量评价方法分为主观和客观两种，将人的视觉感知融入客观评价方法中，分别介绍了全参考图像质量评价方法、半参考图像质量评价方法和无参考图像质量评价方法，实现了主观评价和客观评价的统一。本书可供自动控制、图像处理及航天航空等电子、计算机相关专业的本科生、研究生及相关技术人员参考。
作者简介
魏龙生，安徽安庆人，2005年7月毕业于安徽大学信息与计算科学专业，获理学学士学位；2007年7月毕业于华中科技大学概率论与数理统计专业，获理学硕士学位；2011年7月毕业于华中科技大学控制科学与工程专业，获工学博士学位；2016年10月至2017年11月国家公派美国哈佛大学访问学者。
目录
第1章绪论(1)
1.1视频目标检测(1)
1.1.1域自适应算法和渐进自学习框架（2）
1.1.2基于域自适应学习的目标检测（2）
1.2相关滤波跟踪(3)
1.2.1基于多峰响应的抗遮挡相关滤波跟踪方法（5）
1.2.2自适应特征选择的相关滤波跟踪方法（5）
1.2.3基于孪生神经网络的抗形变相关滤波目标跟踪方法（6）
1.3图像质量评价(7)
1.3.1全参考图像质量评价方法简介（7）
1.3.2半参考图像质量评价方法简介（8）
1.3.3无参考图像质量评价方法简介（9）
1.4本章小结(10)
第2章域自适应算法及渐进自学习框架(11)
2.1引言(11)
2.2基于语义对齐的域自适应算法(12)
2.2.1域自适应方法（12）
2.2.2基于深度学习的图像语义提取（15）
2.3视觉域适应中的语义一致性约束(17)
2.3.1CSTN网络结构（17）
2.3.2CSTN损失函数（18）
2.4基于CSTN的渐进自学习框架(20)
2.4.1背景建模算法（21）
2.4.2双边界YOLO检测模型（23）
2.4.3在线渐进优化算法（25）
2.5本章小结(26)
第3章基于域自适应学习的视频目标检测(28)
3.1引言(28)
3.2视频目标检测研究现状(29)
3.2.1经典视频目标检测（29）
3.2.2特定场景目标检测（31）
3.2.3迁移学习（32）
3.2.4域自适应（33）
3.3神经网络和机器学习(33)
3.3.1神经网络的基本组成（33）
3.3.2损失函数与反向传播（35）
3.3.3深度模型中的优化（36）
3.4基于卷积神经网络的目标检测框架(37)
3.4.1卷积神经网络的基本原理（37）
3.4.2目标检测算法（39）
3.4.3YOLO（41）
3.5网络架构细节(43)
3.5.1网络架构（43）
3.5.2cycleGAN预训练（43）
3.5.3超参数设置（43）
3.6实验结果与分析(44)
3.6.1数据集与评价指标（44）
3.6.2行人检测实验（46）
3.7本章小结(55)
第4章基于多峰响应的抗遮挡相关滤波跟踪(57)
4.1引言(57)
4.2目标跟踪算法概述(59)
4.2.1基于传统相关滤波框架跟踪（60）
4.2.2基于尺度自适应的相关滤波跟踪（61）
4.2.3基于深度学习的相关滤波跟踪（62）
4.3核化相关滤波跟踪算法(62)
4.3.1一维岭回归（63）
4.3.2循环矩阵（63）
4.3.3核相关滤波（65）
4.3.4目标快速检测（67）
4.3.5尺度*新策略（67）
4.3.6模型*新（68）
4.4遮挡处理(69)
4.5数据集与评价指标(72)
4.5.1精度（72）
4.5.2成功率（72）
4.5.3一次通过性评估和鲁棒性评估（73）
4.6实验结果与实验分析(73)
4.6.1实验环境（74）
4.6.2实验分析（74）
4.7本章小结(79)
第5章自适应特征选择的相关滤波跟踪(80)
5.1引言(80)
5.2传统特征目标描述(82)
5.2.1颜色特征（82）
5.2.2梯度统计直方图特征（83）
5.3深度特征目标描述(85)
5.3.1卷积核与卷积操作（85）
5.3.2卷积神经网络模型（86）
5.3.3深度特征提取（87）
5.3.4融合深度特征（88）
5.4自适应特征选择分析(90)
5.4.1传统特征和深度特征跟踪性能分析（90）
5.4.2自适应选择特征（91）
5.5实验结果分析(93)
5.5.1与单特征相关滤波跟踪算法比较（93）
5.5.2与其他**相关滤波跟踪算法比较（94）
5.6本章小结(101)
第6章基于孪生神经网络的抗形变相关滤波跟踪(102)
6.1引言(102)
6.2孪生神经网络结构(104)
6.2.1相似度（104）
6.2.2孪生神经网络（105）
6.2.3损失函数计算（107）
6.3改进的孪生神经网络结构(108)
6.3.1改进的方法（108）
6.3.2滤波层设计（109）
6.3.3反向传播（110）
6.4孪生神经网络训练(111)
6.5融合多核特征(112)
6.6实验结果与分析(113)
6.7本章小结(119)
第7章全参考图像质量评价方法(120)
7.1引言(120)
7.2图像质量评价概述(121)
7.2.1图像质量评价应用（121）
7.2.2图像质量评价方法框架（122）
7.2.3全参考图像质量评价方法发展概况（126）
7.3基于结构相似度的图像质量评价方法(126)
7.3.1基于误差敏感度的图像质量评价方法（127）
7.3.2结构相似度理论（128）
7.3.3结构相似度特征图谱（130）
7.4显著性特征图谱与结构相似度相结合的评价方法(131)
7.4.1显著性特征图谱的定义（131）
7.4.2视觉显著性特征图谱与结构相似度结合算法描述（132）
7.5实验结果总结与分析(135)
7.5.1TID2008图像数据库简介（135）
7.5.2KRCC和SRCC（135）
7.5.3实验结果与说明（136）
7.6本章小结(147)
第8章半参考图像质量评价方法(149)
8.1引言(149)
8.1.1分类（150）
8.1.2研究重点（151）
8.1.3缺点（152）
8.2直方图之间的EMD(152)
8.2.1传统的EMD（152）
8.2.2基于权重的EMD（153）
8.3使用EMD的图像质量评价(154)
8.3.1基于SIFT特征局部EMD的图像质量评价（154）
8.3.2基于显著性特征全局EMD的图像质量评价（155）
8.3.3图像质量的整体评价（156）
8.4实验结果及评价(156)
8.5本章小结(159)
第9章无参考图像质量评价方法(161)
9.1引言(161)
9.2图像质量评价特征表示(163)
9.2.1尺度不变性特征变换（163）
9.2.2曲波变换（166）
9.2.3融合特征度量的实现（167）
9.3无参考图像质量预测(169)
9.3.1模糊化（170）
9.3.2分类（171）
9.3.3去模糊化（174）
9.4实验结果与分析(174)
9.4.1数据库介绍（174）
9.4.2评价指标（176）
9.4.3实验结果与分析（177）
9.5本章小结(179)
参考文献(181)
精彩试读
本章主要概述视频目标检测、相关滤波跟踪、图像质量评价的研究背景和研究现状。视频目标检测的精度直接决定了需要跟踪的初始目标，目标跟踪的结果反过来有助于提高检测的精度，图像质量评价可用于评估视频的清晰度和失真度，辅助视频目标检测和跟踪。1.1视频目标检测随着现代科学技术逐渐成熟，计算机运算能力的提升和深度学习算法的发展，计算机在视觉领域取得了惊人的成就。视频目标检测任务作为计算机视觉领域的一个热门研究方向，被广泛地应用在智能监控［12］、智能交通［34］、智慧城市等诸多生活领域。作为语义分割、异常事件识别等**计算机视觉任务的重要模块，视频目标检测已成为近年来的研究热点而备受关注。然而，在现实世界中视频目标检测仍然面临着许多挑战。一方面，深度学习算法的性能依赖于大量的训练数据，若将深度学习比作“炼丹”，则训练集就是“炼丹”中不可或缺的“灵材”，可见训练集对模型的质量起着关键的作用。但是，人工标注海量的数据是一个费时且费力的过程。另一方面，在视频目标检测领域，摄像头安装高度及成像视角的不同会导致成像目标外观、光照及成像的图像质量等方面有较大差异。这种成像差异会使得训练集和测试集之间出现较大的域移位，从而影响检测性能。以自主驾驶为例，不同天气条件下的图像样本在数据分布上差异巨大。因此，用晴朗天气下采集的数据训练出来的目标检测模型，在雾霾天气下的目标检测能力将大幅度下降。1.1.1域自适应算法和渐进自学习框架针对上述两方面的问题，本书提出一种基于域自适应学习的无监督视频目标检测算法，该算法属于迁移学习领域。选用开源的数据集作为源域（SD），不同的监控场景作为目标域（TD）。首先，采用通用检测器在目标域(监控)场景进行目标检测。由于场景成像条件有很大的差别，通用检测器很难在不同监控场景都有较好的检测性能。因此，根据通用检测器的检测置信度收集不同场景下难以被正确检测到的目标作为困难样本。然后，通过对齐两个域之间的实例级和类级的分布训练一个分类器，从而对不同目标域的困难样本进行分类。*后，将分类后的目标域样本用于通用检测器的在线学习，以提高通用检测器在各个目标域的检测性能，成为各个目标域的专用检测器。此外，困难样本的分类准确率对通用检测器的在线学习影响很大，因此，本书提出了一种在线渐进优化算法以提高通用检测器在线学习的容错率。1.1.2基于域自适应学习的目标检测在域自适应算法及渐进自学习框架的基础上，本书介绍了卷积神经网络(Convolutional Neural Networks, CNN)的运行过程并给出了网络架构细节，并详细说明了其组成结构：卷积层、池化层、全连接层等。