煤礦井下視頻圖像處理技術(shù)

第1章 緒論
1．1 煤礦井下視頻監(jiān)控系統(tǒng)概述
1．2 煤礦井下視頻監(jiān)控的特點(diǎn)
1．3 煤礦井下視頻監(jiān)控理論與應(yīng)用研究
1．3．1 人員檢測(cè)技術(shù)方法研究
1．3．2 火災(zāi)檢測(cè)算法應(yīng)用研究
1．3．3 火焰圖像分割方法分類
1．3．4 塵霧圖像增強(qiáng)算法研究
1．3．5 煤礦井下人臉識(shí)別技術(shù)研究
第2章 視頻監(jiān)控相關(guān)技術(shù)與理論
2．1 灰度化與二值化
2．2 直方圖均衡化與形態(tài)學(xué)處理
2．3 圖像去噪技術(shù)
2．3．1 空間域圖像去噪
2．3．2 變換域圖像去噪
2．4 ViBe運(yùn)動(dòng)檢測(cè)算法
2．5 數(shù)字圖像壓縮技術(shù)
2．5．1 圖像格式、容器和壓縮標(biāo)準(zhǔn)
2．5．2 霍夫曼編碼
2．5．3 小波編碼
2．5．4 算術(shù)編碼
2．6 圖像下采樣
第3章 煤礦井下塵霧圖像增強(qiáng)算法研究
3．1 模糊理論圖像增強(qiáng)
3．1．1 模糊集合
3．1．2 模糊理論圖像增強(qiáng)的處理步驟
3．2 塵霧圖像退化模型與增強(qiáng)算法
3．2．1 塵霧圖像退化模型
3．2．2 暗原色先驗(yàn)理論
3．2．3 透射率圖獲取
3．2．4 自適應(yīng)雙邊濾波器
3．2．5 透射率圖優(yōu)化與去噪
3．2．6 圖像復(fù)原
3．3 實(shí)驗(yàn)結(jié)果與分析
第4章 煤礦井下人員檢測(cè)技術(shù)
4．1 運(yùn)動(dòng)區(qū)域前景提取
4．1．1 隔幀差分法
4．1．2 背景更新
4．1．3 前景提取
4．2 單礦工運(yùn)動(dòng)目標(biāo)檢測(cè)
4．3 HOG+SVM礦工檢測(cè)
4．3．1 HOG特征提取
4．3．2 主成分分析法降維
4．3．3 分類器的訓(xùn)練
4．3．4 實(shí)驗(yàn)結(jié)果與分析
第5章 火焰分割算法研究
5．1 ViBe算法的優(yōu)化
5．2 火焰顏色識(shí)別規(guī)則
5．2．1 基于HSV空間模型的火焰識(shí)別規(guī)則
5．2．2 基于YCbCr顏色空間模型的火焰識(shí)別規(guī)則
5．3 火焰分割算法
5．4 實(shí)驗(yàn)結(jié)果與分析
第6章 基于SVM的火焰檢測(cè)算法設(shè)計(jì)與實(shí)現(xiàn)
6．1 SVM算法簡(jiǎn)介
6．1．1 VC維理論與結(jié)構(gòu)化最小風(fēng)險(xiǎn)
6．1．2 分類器
6．1．3 核函數(shù)
6．2 火焰圖像特征提取
6．2．1 面積特征
6．2．2 邊緣特征
6．2．3 形狀特征
6．2．4 紋理特征
6．3 火焰檢測(cè)算法
6．4 實(shí)驗(yàn)結(jié)果與分析
第7章 人臉識(shí)別相關(guān)技術(shù)及其理論
7．1 Haar矩形特征的檢測(cè)
7．1．1 Haar矩形特征
7．1．2 積分圖像
7．1．3 AdaBoost算法
7．1．4 級(jí)聯(lián)分類器
7．1．5 AdaBoost算法的人臉檢測(cè)機(jī)制
7．2 ASM主動(dòng)形狀模型
7．2．1 構(gòu)建形狀向量
7．2．2 建立形狀模型
7．2．3 構(gòu)建局部灰度模型
7．2．4 ASM模型的匹配
7．3 主成分分析法
7．3．1 傳統(tǒng)PCA
7．3．2 二維PCA
7．4 快速魯棒特征
7．4．1 特征點(diǎn)檢測(cè)
7．4．2 生成特征描述子
第8章 基于ASM的人臉檢測(cè)與跟蹤
8．1 基于Haar的人臉檢測(cè)
8．1．1 Haar的人臉檢測(cè)
8．1．2 實(shí)驗(yàn)結(jié)果與分析
8．2 基于ASM的人臉檢測(cè)
8．2．1 數(shù)據(jù)收集
8．2．2 形狀模型
8．2．3 人臉的檢測(cè)
8．2．4 實(shí)驗(yàn)結(jié)果與分析
8．3 基于ASM的人臉跟蹤
8．3．1 局部塊模型
8．3．2 人臉跟蹤實(shí)現(xiàn)
8．3．3 實(shí)驗(yàn)結(jié)果與分析
第9章 基于Shearlet變換的差異性特征提取
9．1 問題概述
9．2 人臉特征類型及評(píng)價(jià)指標(biāo)
9．2．1 人臉特征類型
9．2．2 評(píng)價(jià)指標(biāo)
9．3 Shearlet變換
9．3．1 連續(xù)Shearlet變換
9．3．2 離散Shearlet變換
9．4 融合多尺度Shearlet變換的人臉特征提取
9．5 實(shí)驗(yàn)結(jié)果與分析
9．5．1 主觀評(píng)價(jià)
9．5．2 客觀評(píng)價(jià)
第10章 基于稀疏描述的人臉分類識(shí)別
10．1 稀疏描述與人臉識(shí)別
10．2 稀疏描述人臉識(shí)別算法
10．2．1 問題描述
10．2．2 問題優(yōu)化
10．3 快速稀疏描述人臉識(shí)別算法
10．3．1 問題描述
10．3．2 可行性分析
10．4 差異性Shearlet特征的快速稀疏描述人臉識(shí)別算法
10．4．1 多尺度多方向的Shearlet特征融合
10．4．2 分類識(shí)別
10．4．3 算法步驟
10．5 實(shí)驗(yàn)結(jié)果與分析
10．5．1 ORL人臉庫(kù)中人臉識(shí)別實(shí)驗(yàn)
10．5．2 YALE庫(kù)中人臉識(shí)別實(shí)驗(yàn)
第11章 結(jié)束語
參考文獻(xiàn)