上篇

第一章 视频监控系统绪论

1.1 视频监控概述

1.2 国内外现状和发展趋势

1.2.1 国内外现状

1.2.2 发展趋势

1.3 视频监控系统的几个关键技术

1.3.1 自动人脸识别

1.3.2 视频增强

1.3.3 视频编码优化

1.4 本章小结

第二章 视频监控中人脸特征描述方法研究

2.1 引言

2.1.1 人脸识别概述

2.1.2 视频监控中的人脸识别

2.1.3 人脸识别的光照问题

2.1.4 小结

2.2 一种基于轮廓波变换的光照鲁棒人脸特征描述方法

2.2.1 轮廓波变换与图像处理

2.2.2 对数人脸光照模型

2.2.3 基于轮廓波去噪模型的光照鲁棒特征提取

2.2.4 实验结果与分析

2.2.5 结论

2.3 一种基于混合投影函数和图像熵的光照鲁棒人脸特征描述方法

2.3.1 投影函数

2.3.2 图像熵

2.3.3 混合投影特征提取

2.3.4 实验结果与分析

2.3.5 结论

2.4 本章小结

第三章 视频监控中视频增强方法研究

3.1 引言

3.2 算法描述

3.2.1 RGB色彩空间与YCbCr色彩空间的转换

3.2.2 小波变换与数字图像处理

3.2.3 基于小波变换的光照分离

3.2.4 背景估计和运动区域检测

3.2.5 融合规则和图像重构

3.2.6 算法流程

3.3 实验结果与分析

3.4 本章小结

第四章 视频监控中视频编码快速算法研究

4.1 引言

4.1.1 H.264/AVC视频编码

4.1.2 可伸缩视频编码

4.1.3 小结

4.2 一种适宜于H.264/AVC的帧间快速编码算法

4.2.1 相关研究

4.2.2 利用运动和纹理预测

4.2.3 利用时间和空间相关性预测

4.2.4 算法流程

4.2.5 实验结果与分析

4.2.6 结论

4.3 一种质量可伸缩编码中增强层帧间快速算法

4.3.1 相关研究

4.3.2 模式选择的基本原理

4.3.3 算法流程

4.3.4 实验结果与分析

4.3.5 结论

4.4 本章小结

第五章 上篇总结与展望

5.1 工作总结

5.2 展望

上篇参考文献

中篇

第六章 Copula驱动的小波域纹理特征提取绪论

6.1 问题的提出与研究现状

6.1.1 纹理的定义

6.1.2 纹理的特征

6.1.2 纹理特征提取方法

6.1.3 小波域纹理特征提取研究现状

6.2 研究的主要内容

第七章 小波变换理论

7.1 传统小波变换

7.1.1 连续小波变换

7.1.2 小波多分辨分析

7.1.3 二维离散小波变换

7.2 复数小波变换

7.2.1 Gabor小波变换

7.2.2 对偶树复小波

7.2.3 四元小波变换

7.3 方向小波变换

7.4 平稳小波变换

7.5 本章小结

第八章 Copula模型及其参数估计

8.1 Copula理论

8.1.1 多维Copula

8.1.2 常见的Copula函数

8.1.3 Copula函数特点分析

8.2 Copula参数估计

8.2.1 完全最大似然估计

8.2.2 两阶段最大似然估计

8.2.3 两阶段最大似然半参数估计

8.2.4 非参数估计方法

8.3 本章小结

第九章 小波域依赖关系及常用多维模型

9.1 小波域间的依赖关系

9.2 小波域隐马尔科夫模型

9.3 小波域多维统计模型

9.3.1 多维统计模型

9.3.2 测地距离

9.4 本章小结

第十章 传统小波域Copula多维模型

10.1 小波域子带内依赖

10.2 小波域子带内颜色分量依赖

10.3 小波域尺度间依赖

10.4 基于Copula模型的相似度

10.4.1 标准化Euclidean距离

10.4.2 Kullback-Leibler距离

10.4.3 采样方法

10.4.4 Bayesian-ML检索方法

10.5 实验与分析

10.5.1 实验数据集与实验目的

10.5.2 实验结果与分析

10.5.3 计算效率分析

10.6 本章小结

第十一章 方向小波域与平稳小波域Copula多维模型

11.1 方向小波域Copula多维模型

11.2 平稳小波域Copula多维模型

11.3 实验与分析

11.3.1 实验数据集与实验目的

11.3.2 实验结果与分析

11.4 本章小结

第十二章 复数小波域Copula多维模型

12.1 对偶树复小波域Copula多维模型

12.2 Gabor小波域旋转不变Copula多维模型

12.3 基于复数小波相角的Copula多维模型

12.4 实验与分析

12.4.1 实验数据集与实验目的

12.4.2 实验结果与分析

12.5 本章小结

第十三章 中篇总结与展望

中篇参考文献

下篇

第十四章 基于生物视觉感知机制的图像理解绪论

14.1 研究目的和意义

14.2 研究现状

14.2.1 图像分割

14.2.2 目标识别

14.2.3 基于视觉层次感知机制的图像理解

14.2.4 图像特征表达

14.2.5 分类器

14.3 研究内容

14.4 本篇特色与创新

第十五章 视皮层感知机制

15.1 引言

15.2 视觉系统的层次

15.3 视皮层的感知结构

15.3.1 视网膜

15.3.2 侧膝体

15.3.3 视觉皮层

15.4 其他特性

15.4.1 反馈和侧向连接

15.4.2 视觉感受野特性

15.4.3 超柱结构

15.4.4 学习机制

15.5 生物视觉计算模型

15.5.1 视觉感知层次结构

15.5.2 视觉感知层次计算模型

15.5.3 视觉感知中重要的功能机制

15.6 基于视觉感知层次模型的人脸识别

15.6.1 人脸识别模型概述

15.6.2 模型功能实现

15.6.3 实验及结果

15.7 本章小结

第十六章 多特征彩色图像分割模型

16.1 引言

16.2 相关工作

16.2.1 研究现状

16.2.2 神经科学基础

16.3 模型概述

16.3.1 K通路计算

16.3.2 P通路计算

16.3.3 M通路的计算

16.3.4 其他视觉区域计算

16.4 实验

16.4.1 BPNN训练

16.4.2 分割方法比较

16.5 算法与实验分析

16.5.1 先融合与后融合

16.5.2 二元分割的优化

16.5.3 性能评估

16.6 本章小结

第十七章 BU＆TD图像分割模型

17.1 引言

17.2 神经科学背景

17.2.1 Trickle-up通路

17.2.2 Trickle-down通路

17.3 BU＆TD组合模型概述

17.3.1 生成特征片段集

17.3.2 匹配BU结果

17.3.3 优化匹配子集

17.3.4 像素标识

17.4 实验

17.4.1 概率分布的学习

17.4.2 图像分割

17.4.3 影响因素分析

17.4.4 片段相关性

17.4.5 多目标分割

17.5 本章小结

第十八章 多特征场景分类模型

18.1 分类模型

18.2 HFSM模型

18.3 多尺度边缘特征

18.4 颜色特征

18.5 分类

18.6 实验评估

18.6.1 Edge路径分类

18.6.2 Edge路径＋Shape路径

18.6.3 MFBIM识别

18.7 总结

第十九章 BU＆TD目标识别模型

19.1 引言

19.2 模型概述

19.2.1 LSF特征

19.2.2 HSF图像

19.2.3 Gist-based特征

19.2.4 OFC

19.2.5 PHC

19.2.6 IT

19.3 实验

19.4 总结

第二十章 下篇总结与展望

20.1 工作总结

20.2 本篇创新与特色

20.3 进一步的研究

下篇参考文献