導論
第一章 模式識別與計算機視覺概述
1．1 概念認知
1．1．1 模式識別
1．1．2 視覺與計算機視覺
1．2 模式識別與計算機視覺發(fā)展史
1．2．1 模式識別發(fā)展史
1．2．2 計算機視覺發(fā)展史
1．3 模式識別的應用
1．4 計算機視覺發(fā)展方向
1．4．1 目標檢測
1．4．2 圖像語義分割
1．4．3 運動目標檢測與跟蹤
1．4．4 三維重建
1．4．5 人體動作識別
本章小結
習題
模式識別理論篇

第二章 分類器
2．1 距離分類器
2．1．1 最近鄰分類及其加速
2．1．2 K近鄰算法
2．1．3 距離和相似性度量
2．2 支持向量機
2．2．1 最優(yōu)線性判別函數(shù)分類器
2．2．2 支持向量機的學習
2．2．3 核函數(shù)與非線性支持向量機
2．3 分類器性能評價
2．3．1 評價指標
2．3．2 評價方法
本章小結
習題

第三章 神經網(wǎng)絡分類器
3．1 神經網(wǎng)絡
3．1．1 神經網(wǎng)絡概述
3．1．2 代價函數(shù)
3．2 反向傳播算法及其改進
3．3 BP神經網(wǎng)絡
3．4 對偶傳播神經網(wǎng)絡
3．4．1 網(wǎng)絡結構與運行原理
3．4．2 學習算法
3．4．3 改進CPN
3．4．4 CPN應用
3．5 概率神經網(wǎng)絡
3．5．1 模式分類和貝葉斯決策理論
3．5．2 概率神經網(wǎng)絡的結構
3．5．3 概率神經網(wǎng)絡的優(yōu)點
3．6 卷積神經網(wǎng)絡
3．7 深度神經網(wǎng)絡模型
3．7．1 Inception V1模型
3．7．2 Inception V2模型
3．7．3 Inception V3模型
本章小結
習題

第四章 聚類分析
4．1 無監(jiān)督學習與聚類
4．1．1 無監(jiān)督學習動機
4．1．2 聚類分析的應用
4．1．3 聚類分析的過程
4．1．4 聚類問題的描述
4．2 簡單聚類方法
4．2．1 順序聚類
4．2．2 最大最小距離聚類
4．3 層次聚類算法
4．4 動態(tài)聚類算法
4．4．1 K均值算法理論基礎
4．4．2 K均值算法
4．4．3 K均值算法的改進
4．5 模擬退火聚類算法
4．5．1 物理退火過程
4．5．2 模擬退火算法的基本原理
4．5．3 退火方式
4．6 聚類檢驗
4．6．1 聚類結果的檢驗
4．6．2 聚類數(shù)的間接選擇
4．6．3 聚類數(shù)的直接選擇
本章小結
習題

第五章 蟻群和粒子群聚類算法
5．1 蟻群和粒子群算法簡介
5．2 蟻群算法
5．2．1 蟻群算法的基本原理
5．2．2 蟻群算法基本流程
5．2．3 蟻群算法的規(guī)則說明
5．2．4 TSP的提出
5．2．5 蟻群算法的優(yōu)點和缺點
5．3 粒子群算法
5．3．1 粒子群算法的基本原理
5．3．2 粒子群優(yōu)化方法的一般數(shù)學模型
5．3．3 粒子群算法的優(yōu)點和缺點
5．4 蟻群算法和粒子群算法的對比
5．5 改進的蟻群算法
5．5．1 帶精英策略的螞蟻系統(tǒng)
5．5．2 基于優(yōu)化排序的螞蟻系統(tǒng)
5．5．3 最大最小螞蟻系統(tǒng)
5．6 粒子群算法的優(yōu)化
5．6．1 基于個體位置變異的粒子群算法
5．6．2 基于動態(tài)鄰域的多目標粒子群優(yōu)化算法
5．6．3 基于異維變異的差分混合粒子群算法
本章小結
習題

第六章 時序模型
6．1 時序分析概述
6．1．1 時間序列數(shù)據(jù)的相關概念
6．1．2 時間序列數(shù)據(jù)預測的研究綜述
6．1．3 時間序列數(shù)據(jù)聚類的研究綜述
6．1．4 面向時間序列數(shù)據(jù)挖掘技術的應用領域
6．2 隱馬爾可夫模型
6．2．1 HMM適合的情形
6．2．2 HMM的定義
6．2．3 HMM實例
6．2．4 HMM觀測序列的生成
6．2．5 HMM的三個基本問題及其解決
6．3 隱馬爾可夫模型的優(yōu)化
6．3．1 問題描述
6．3．2 改進的HMM學習算法
6．4 循環(huán)神經網(wǎng)絡及其優(yōu)化
6．4．1 循環(huán)神經網(wǎng)絡概述
6．4．2 循環(huán)神經網(wǎng)絡模型結構
6．4．3 改進的循環(huán)神經網(wǎng)絡
6．5 長短期記憶網(wǎng)絡及其改進
6．5．1 RNN梯度消失問題
6．5．2 長短期記憶型循環(huán)神經網(wǎng)絡
6．5．3 LSTM型RNN訓練過程
6．5．4 LSTM改進算法——GRU算法
本章小結
習題
計算機視覺應用篇

第七章 圖像匹配
7．1 圖像匹配及其應用
7．2 圖像匹配的要素
7．3 圖像匹配的常用方法
7．3．1 基于圖像特征點的匹配方法
7．3．2 基于圖像灰度信息的匹配方法
7．3．3 基于相位相關的匹配方法
7．4 特征分布不均勻的圖像精配準算法
7．4．1 常見圖像配準方法的一般過程及存在問題
7．4．2 層次配準方法
7．4．3 粗層次配準算法
7．4．4 網(wǎng)格化下精配準算法
7．4．5 特征匹配與融合配準
7．5 本章小節(jié)
習題

第八章 圖像分類與分割
8．1 圖像分類及其過程
8．1．1 圖像分類概述
8．1．2 圖像分類流程
8．1．3 圖像分類方法概述
8．2 基于隨機森林的圖像分類
8．2．1 圖像分類的隨機森林算法
8．2．2 基于隨機森林的圖像分類效果及分析
8．3 基于SVM的圖像分類
8．3．1 圖像分類SVM算法
8．3．2 基于SVM的圖像分類效果及分析
8．4 基于深度學習的圖像分類
8．4．1 圖像分類CNN模型
8．4．2 基于CNN模型的圖像分類效果及分析
8．5 圖像分割
8．5．1 圖像分割的定義
8．5．2 圖像分割算法概述
8．6 基于閾值法的圖像分割
8．6．1 閾值法的基本原理
8．6．2 基于閾值法的圖像分割方法分類
8．6．3 基于閾值法的圖像分割的實現(xiàn)
8．7 基于分水嶺算法的圖像分割
8．7．1 分水嶺算法概述
8．7．2 分水嶺算法的原理
8．7．3 基于密度模糊聚類的分水嶺分割算法
8．8 基于蟻群算法的圖像分割
8．8．1 蟻群算法應用背景
8．8．2 圖像分割中的特征提取
8．8．3 圖像分割中的蟻群算法
8．8．4 基于蟻群算法的圖像分割效果及分析
本章小結
習題

第九章 視頻動作識別
9．1 動作識別概述
9．1．1 動作識別的難點
9．1．3 動作識別流程
9．2 運動目標檢測技術
9．2．1 動作視頻分割技術
9．2．2 動作區(qū)域分割技術
9．3 動作特征提取技術
9．3．1 剪影特征
9．3．2 光流特征
9．3．3 梯度特征
9．3．4 深度特征
9．3．5 CNNs學習特征
9．3．6 RNNs學習特征
9．4 動作特征理解技術
9．4．1 動作時空表征模板
9．4．2 動作分類器
9．5 基于雙流模型卷積神經網(wǎng)絡的動作識別
9．5．1 空間流卷積神經網(wǎng)絡
9．5．2 時間流卷積神經網(wǎng)絡
9．5．3 時空網(wǎng)絡融合策略
9．6 基于多流模型卷積神經網(wǎng)絡的動作識別
9．6．1 Three stream CNNs動作識別模型結構框架
9．6．2 基于Three stream CNNs動作識別的實現(xiàn)
本章小結
習題
參考文獻