由于图像特征处理技术在图像分类、目标检测识别和显著性计算领域的快速发展，使得计算机在真实场景中理解和分析图像内容的能力越来越智能化。本书从图像特征提取、图像特征降维和图像特征编码技术出发，重点描述了图像特征处理技术的构成特点，并广泛介绍了此技术在真实场景中的应用。

第一章 图像特征编码技术概述
1.1 图像特征编码技术背景及意义
1.2 图像特征编码方法起源与发展
1.3 内容总结与概括
1.3.1 图像分类
1.3.2 显著性目标检测
1.3.3 行人重识别
1.4 本书主要特点
第二章 图像特征提取及编码
2.1 图像特征
2.1.1 图像局部特征
2.1.2 颜色特征
2.1.3 纹理特征
2.1.4 协方差描述子
2.2 特征编码
2.2.1 基于表示的分类
2.2.2 基于约束项的分类
2.2.3 局部特征编码算法数学模型
2.3 常用的公共数据集
2.3.1 图像分类数据集
2.3.2 显著性目标检测数据集
2.3.3 行人重识别数据集
2.4 总结
第三章 码本学习与图像分类
3.1 发展历史
3.2 特征编码方法
3.2.1 矢量量化
3.2.2 稀疏编码
3.2.3 局部约束线性编码
3.2.4 码本学习方法
3.3 特征编码和类码本学习
3.4 基于特征编码及类码本学习的实验结果
3.4.1 Caltech101实验结果分析
3.4.2 Scene15和UIUC8实验结果
3.4.3 实验分析和讨论
3.5 总结
第四章 显著性目标计算
4.1 引言
4.2 显著性计算方法
4.2.1 自顶向下显著性方法
4.2.2 特征编码方法
4.2.3 CRF模型
4.3 基于局部性编码和CRF模型的显著性目标计算方法
4.3.1 编码
4.3.2 学习显著性目标模型
4.3.3 MSRAB数据集
4.3.4 Graz02数据集
4.3.5 Horse和Plane数据集
4.4 总结
第五章 背景度量和自顶向下模型
5.1 引言
5.2 显著性目标计算相关工作
5.2.1 背景度量方法
5.2.2 自顶向下方法
5.2.3 编码方法
5.3 融合背景信息和自顶向下模型的显著性目标计算方法
5.3.1 鲁棒背景度量显著性计算
5.3.2 LLC和CRF显著性目标模型
5.4 显著性目标计算实验结果
5.4.1 Graz02数据集
5.4.2 PASCAL VOC 2007数据集
5.5 总结
第六章 基于图像特征编码的行人重识别
6.1 引言
6.2 行人重识别相关工作
6.2.1 行人重识别流程
6.2.2 行人重识别方法
6.2.3 特征表示模块
6.2.4 模型学习
6.3 行人重识别系统框架
6.3.1 行人重识别系统框架图
6.3.2 行人检测
6.3.3 图像特征提取
6.3.4 行人重识别匹配准则
6.4 行人重识别实验结果
6.4.1 VIPeR数据集
6.4.2 CAVIAR4REID数据集
6.4.3 ETHZ数据集
6.4.4 i-LIDS数据集
6.4.5 校园采集数据集
6.5 总结
第七章 目标检测与跟踪
7.1 传统的目标检测与跟踪方法
7.1.1 传统的目标检测方法
7.1.2 传统的目标跟踪方法
7.2 基于深度学习的目标检测与跟踪
7.2.1 基于深度学习的目标检测算法
7.2.2 基于深度学习的目标跟踪算法
7.3 多种颜色特征提取
7.4 目标检测与跟踪在实际场景中的应用
7.4.1 目标检测在实际场景中的应用
7.4.2 目标跟踪在实际场景中的应用
7.5 实验结果分析
7.6 总结
第八章 视觉注意力机制
8.1 传统视觉注意力机制
8.1.1 视觉注意力机制
8.1.2 EncoderDecoder框架原理
8.1.3 Attention模型
8.2 深度视觉注意力机制
8.2.1 空间域
8.2.2 通道域
8.3 视觉注意力机制在目标检测识别中的应用
8.3.1 目标检测
8.3.2 缺陷检测
8.3.3 小目标检测
8.4 总结
第九章 图像细粒度识别
9.1 图像细粒度识别技术概述
9.2 基于强监督信息的识别模型
9.2.1 Partbased RCNN
9.2.2 Pose Normalized CNN
9.2.3 其他强监督识别模型
9.3 基于弱监督信息的识别模型
9.3.1 网络结构方法
9.3.2 多特征融合和损失函数优化方法
9.4 目标细粒度识别技术的应用
9.5 展望
第十章 图像分割技术
10.1 传统图像分割技术
10.2 深度学习图像分割方法
10.3 图像分割技术在实际场景中的应用
10.4 总结
第十一章 深度神经网络特征在实际场景中的应用
11.1 深度神经网络在甲骨文识别中的应用
11.1.1 甲骨文研究的重要意义及研究目的
11.1.2 甲骨文识别研究现状
11.1.3 深度卷积神经网络在甲骨文识别上的应用
11.1.4 基于深度卷积神经网络的甲骨文识别
11.2 基于深度特征的烟雾识别方法
11.2.1 国内外研究现状及发展动态分析
11.2.2 烟雾视频数据集
11.2.3 烟雾识别方法
11.2.4 检测结果分析
11.3 总结
参考文献