基于仿生視覺(jué)的圖像處理方法及應用簡(jiǎn)介，目錄書(shū)摘

本書(shū)內容涉及圖像視覺(jué)屬性濾波和生物視覺(jué)啟發(fā)變換模型，以及在車(chē)道線(xiàn)與車(chē)輛檢測、交通標志牌檢測和掌紋識別等領(lǐng)域的應用。

本書(shū)是作者及其團隊近8年來(lái)基于仿生視覺(jué)的圖像處理方法及應用的研究工作的總結，內容涉及圖像視覺(jué)屬性濾波和生物視覺(jué)啟發(fā)變換模型，以及在車(chē)道線(xiàn)與車(chē)輛檢測、交通標志牌檢測和掌紋識別等領(lǐng)域的應用。書(shū)中論述以Max-tree為基礎的視覺(jué)屬性濾波器，對Max-tree的構建、枝剪和復原進(jìn)行詳細討論。在此基礎上，融合圖像的連通區域面積、灰度值及形狀等多個(gè)視覺(jué)屬性，運用支持向量機對Max-tree節點(diǎn)進(jìn)行多視覺(jué)屬性分類(lèi)，給出復雜視覺(jué)結構圖像濾波方法。針對復雜環(huán)境下的車(chē)道線(xiàn)和車(chē)輛檢測問(wèn)題，探討一種基于視頻圖像的車(chē)道線(xiàn)檢測方法，給出基于HMAX仿生視覺(jué)模型的車(chē)輛檢測算法流程。闡述一種受生物啟發(fā)的圖像特征提取方法，設計雙生物啟發(fā)變換網(wǎng)絡(luò )，證明變換網(wǎng)絡(luò )的旋轉、平移及比例不變特性，實(shí)現復雜環(huán)境中的交通標志牌與掌紋特征提取。這些方法在實(shí)際應用中取得了明顯的應用效果，實(shí)現了圖像的仿生視覺(jué)處理過(guò)程，為解決復雜環(huán)境中的圖像處理與識別問(wèn)題起到了重要作用。相關(guān)方法能推動(dòng)計算機視覺(jué)領(lǐng)域的認知科學(xué)、模式識別、計算生物學(xué)等前沿問(wèn)題研究，可為我國仿生視覺(jué)及人工智能研究提供借鑒和參考。本書(shū)可作為高等院校人工智能、模式識別、計算機科學(xué)與技術(shù)等專(zhuān)業(yè)的研究生或高年級本科生的專(zhuān)業(yè)基礎課程的輔助教材，亦可供廣大從事人工智能、計算機視覺(jué)、圖像處理、模式識別研究與應用領(lǐng)域的科技工作者、高校師生閱讀和參考。

周開(kāi)軍，湖南商學(xué)院計算機與信息工程學(xué)院副教授，湖南省電子信息研究會(huì )理事。主持了國家自然科學(xué)基金青年項目"無(wú)限場(chǎng)景中的礦物浮選泡沫圖像形態(tài)抽樣表征方法研究”(61304253)、國家留學(xué)基金項目"圖像時(shí)空上下文模式建模與目標識別”（201408430135）、湖南省教育廳重點(diǎn)項目"非接觸式掌紋圖像定位與分割方法研究”（15A100）、湖南省自然科學(xué)基金青年項目"多元知識驅動(dòng)的混態(tài)粘連圖像自學(xué)習分割方法研究”(13JJ4093)。湖南省自然科學(xué)基金面上項目：移動(dòng)商務(wù)授權中的幾何形變掌紋識別方法研究(2018JJ2197)。參與國家自然科學(xué)基金項目"面向安全認證的掌紋掌脈特征融合識別方法研究”（61471170）。作為技術(shù)負責人，承擔了校企合作項目"礦物浮選泡沫圖像視覺(jué)監控系統開(kāi)發(fā)”、"面向移動(dòng)商務(wù)授權的掌紋識別系統開(kāi)發(fā)”。

第1章  緒論 1
1．1  圖像視覺(jué)屬性濾波方法的研究現狀 2
1．1．1  基礎形態(tài)學(xué)濾波器 2
1．1．2  廣義形態(tài)學(xué)濾波器 3
1．1．3  Max-tree視覺(jué)屬性濾波器 4
1．1．4  連通濾波方法的研究現狀 5
1．2  車(chē)道線(xiàn)與車(chē)輛檢測方法的研究現狀 6
1．2．1  車(chē)道線(xiàn)檢測方法的研究現狀 6
1．2．2  車(chē)輛檢測方法的研究現狀 6
1．3  掌紋圖像識別方法的研究現狀 8
1．4  仿生視覺(jué)算法的研究現狀 9
1．5  本書(shū)章節安排 11
第2章  基于Max-tree的圖像視覺(jué)屬性濾波方法 13
2．1  Max-tree的濾波規則 13
2．1．1  最小規則 14
2．1．2  直接規則 16
2．1．3  最大規則 17
2．1．4  減法規則 19
2．2  圖像復原 20
2．2．1  最小規則復原 20
2．2．2  直接規則復原 22
2．2．3  最大規則復原 23
2．2．4  減法規則復原 23
2．3  二值圖像面積屬性濾波 23
2．4  灰度圖像屬性濾波 27
2．4．1  面積濾波 29
2．4．2  灰度值濾波 33
2．4．3  最小包圍矩形濾波 37
2．5  濾波器性能比較 40
2．6  本章小結 41
第3章  基于多變量視覺(jué)屬性分類(lèi)的圖像濾波方法 43
3．1  Max-tree構造與濾波規則 43
3．2  基于多變量屬性分類(lèi)規則的連通濾波算法 44
3．2．1  基于多變量屬性的Max-tree構造 44
3．2．2  基于SVM的Max-tree節點(diǎn)屬性分類(lèi)算法 46
3．3  實(shí)驗與分析 47
3．3．1  Max-tree的不同枝剪規則的性能比較 47
3．3．2  不同濾波方法的性能比較 49
3．3．3  多變量屬性分類(lèi)規則在掌紋與掌脈圖像分割中的應用 51
3．4  本章小結 54
第4章  基于邊緣與線(xiàn)條視覺(jué)信息的車(chē)道線(xiàn)檢測方法 55
4．1  圖像預處理 55
4．1．1  攝像頭相關(guān)參數 55
4．1．2  系統參數設置 56
4．2  邊緣提取與直線(xiàn)檢測 59
4．2．1  邊緣提取設計 59
4．2．2  直線(xiàn)檢測設計 61
4．3  車(chē)道線(xiàn)檢測方案設計 61
4．3．1  車(chē)道線(xiàn)模型設計 62
4．3．2  車(chē)道線(xiàn)候選對象的篩選 62
4．3．3  樣條曲線(xiàn)擬合 63
4．3．4  重建車(chē)道區域 64
4．3．5  更新區域 65
4．4  系統總體設計 66
4．4．1  OpenCV簡(jiǎn)介 66
4．4．2  系統的流程設計 67
4．5  實(shí)驗結果與分析 67
4．5．1  分步結果分析 68
4．5．2  結果分析 69
4．6  本章小結 72
第5章  基于HMAX仿生視覺(jué)模型的車(chē)輛檢測方法 73
5．1  標準模型和HMAX模型 73
5．1．1  標準模型 73
5．1．2  HMAX模型 75
5．2  HMAX模型的層次結構 75
5．2．1  HMAX模型概述 75
5．2．2  HMAX模型的結構 76
5．2．3  HMAX模型的特點(diǎn) 77
5．2．4  HMAX模型存在的問(wèn)題 77
5．2．5  HMAX模型分析 78
5．3  實(shí)驗過(guò)程 79
5．3．1  實(shí)驗環(huán)境構建 79
5．3．2  對自然場(chǎng)景下的圖像進(jìn)行特征提取 81
5．3．3  對簡(jiǎn)單場(chǎng)景下的車(chē)輛進(jìn)行特征提取 82
5．4  實(shí)驗結果與分析 83
5．5  本章小結 85
第6章  基于仿生視覺(jué)感知的交通標志牌檢測方法 86
6．1  生物啟發(fā)變換的RST不變屬性特征提取框架 86
6．2  基于filter-filter結構的方向邊緣檢測方法 87
6．2．1  Gabor函數的圖像濾波 88
6．2．2  融合雙極濾波器與Gabor濾波器的方向邊緣檢測方法 88
6．3  空間的間距檢測 90
6．4  仿真實(shí)驗與分析 92
6．4．1  RST不變屬性特征提取的有效性分析 93
6．4．2  RST不變屬性特征提取方法的性能比較分析 95
6．4．3  過(guò)程參數的選取分析 100
6．5  提出的方法在交通標志牌識別中的應用 102
6．6  本章小結 105
第7章  基于生物啟發(fā)變換的掌紋識別 106
7．1  BIT特征提取框架 106
7．2  相關(guān)的基礎理論 107
7．2．1  Gabor濾波器池 107
7．2．2  基于相位一致性的方向邊緣檢測 108
7．3  提出的方法 109
7．3．1  方向邊緣檢測 109
7．3．2  局部空間頻率檢測 111
7．4  掌紋匹配方法 113
7．5  實(shí)驗結果與分析 113
7．5．1  掌紋數據庫和實(shí)驗環(huán)境 113
7．5．2  有效性分析 115
7．5．3  掌紋驗證 118
7．5．4  掌紋識別 122
7．6  本章小結 124
第8章  基于雙生物啟發(fā)變換網(wǎng)絡(luò )的魯棒掌紋圖像識別 125
8．1  雙生物啟發(fā)變換網(wǎng)絡(luò )框架 125
8．2  提出的方法 127
8．2．1  視覺(jué)信息處理機制 127
8．2．2  Gabor濾波器組 129
8．2．3  基于相位一致性的邊緣檢測算法 129
8．2．4  用于方向邊緣檢測的雙極濾波器 129
8．2．5  局部空間頻率雙檢測算子 131
8．3  掌紋匹配算法 136
8．4  實(shí)驗結果與分析 137
8．4．1  掌紋數據庫和實(shí)驗環(huán)境 137
8．4．2  特征不變性和選擇性分析 139
8．4．3  掌紋驗證 141
8．4．4  掌紋辨識 144
8．5  本章小結 145
第9章  總結與展望 146
9．1  多視覺(jué)屬性的圖像形態(tài)濾波方法總結與展望 146
9．2  車(chē)道線(xiàn)與車(chē)輛檢測方法總結與展望 147
9．3  車(chē)輛與車(chē)道線(xiàn)的仿生檢測方法總結與展望 148
參考文獻 149