《计算机视觉导论》教学大纲
课程编号:
课程名称:计算机视觉导论 英文名称:Introduction of Computer Vision
学分/学时:1/16 课程性质:必修
适用专业:智能科学与技术专业 建议开设学期:1
先修课程:高等数学 开课单位:人工智能学院
一、课程的教学目标与任务
《计算机视觉导论》是智能科学与技术专业的学科基础课。通过本课程的学习,使学生准确、系统的掌握计算机视觉的相关概念,深刻领会机器视觉中的基本定理和定律,熟练掌握分析计算机视觉问题的基本方法,培养学生用计算机视觉中得基本方法分析、解决工程问题的能力,为学生学习后续专业课、进行创新性研究和解决工程应用问题奠定坚实的理论基础和思想方法。
计算机视觉课程是机械工程及自动化专业在智能机器方向的一门专业方向选修课。机器智能化是机械学科的重要发展方向,也是国际上跨学科的热门研究领域。而计算机视觉是智能机器的重要组成部分,它与图象处理、模式识别、人工智能、人工神经网络以及神经物理学及认知科学等都有紧密的关系。本课程对于开阔学生视野、使学生了解本专业的发展前沿,把学生培养成面向二十一世纪的复合型人才具有重要的地位和作用。
二、课程具体内容及基本要求
(一)机器视觉与人类视觉 ( 4学时)
通过本课程的学习,使学生准确、系统的掌握计算机视觉的相关概念,深刻领会机器视觉中的基本定理和定律,熟悉分析计算机视觉问题的基本方法,能够初步掌握用计算机视觉中得基本方法分析、解决工程问题的能力,为学生学习后续专业课、进行创新性研究和解决工程应用问题奠定坚实的理论基础和思想方法。
1.基本要求
(1)了解人类视觉的成像原理。
(2)掌握机器视觉的基本概念;Marr视觉计算理论;机器视觉的应用;机器视觉的研究内容与面临的困难、与其它学科的关系;
2.重点、难点
重点:成象几何基础;人类视觉简介;感受野。
难点:视觉信息的多层次并行处理;
3.作业及课外学习要求:
通读教材的第一、二章内容。
(二)物体识别(4学时)
基于视觉的目标识别系统的基本组成;其中包括特征提取、特征匹配等模块。
1.基本要求
(1)了解基于视觉的目标识别系统的基本组成。
(2)了解物体识别的复杂度;图象矩不变量特征表示;三维物体模型表示(多视图表示、);特征检测与识别策略(特征检测、特征分类、特征匹配、特征标记);验证(模板匹配、形态方法、符号、类比法)。
2.重点、难点
重点:基于视觉的目标识别系统的基本架构。
难点:对特征检测与识别策略的理解;
3.作业及课外学习要求:
通读教材的第三、四章内容。
(三)物体跟踪(4学时)
基于视觉的目标跟踪系统的基本组成,并探讨其中每一模块的功能与实现的可能方法。模块主要包括各主要视觉特征的提取,其中包括深度特征,跟踪系统的搭建等等。
1.基本要求
(1)了解基于视觉的目标跟踪系统的基本组成以及各子模块的功能。
(2)了解物体跟踪的多个策略,尤其是基于识别的跟踪系统的结构。在理解物体识别系统的基础上,对图像特征,以及传统图像特征,深度特征的异同点都有所了解。
2.重点、难点
重点:基于视觉的目标跟踪系统的基本架构。
难点:对所能获取的图像特征、以及如何利用图像特征实现跟踪的理解;
3.作业及课外学习要求:
通读教材的第五章内容,并用小论文的形式提交相应的读书笔记。
(四)机器视觉实验 ( 4学时)
(1)实验目的与任务
本课程实验熟悉机器视觉基本理论、机器视觉实验装置和计算机图像处理软件,加深理解机器视觉的基本概念,掌握机器视觉图像基本处理方法,培养学生的动手能力和分析问题解决问题的能力。
(2)实验教学基本要求
1)掌握机器视觉图像基本处理方法:除噪、边缘增强、边缘检测。
2)掌握基于视觉的目标识别方法:识别图像中的特定目标。
3)提交相应的实验报告。
三、教学安排及方式
总学时16学时,其中:讲授8学时,实验4学时,上机0学时,实践0学时,研讨4学时,线上0学时。 序号课程内容学时教学方式
1讲授8课堂讲授
2课堂研讨4课堂研讨
实验4实际应用讲解
注:教学方式包括面授和线上,其中面授包括: 讲授、实验、上机、实践、研讨五种。
四、考核及成绩评定方式
以论文或实验报告的形式提交一例实际应用的算法描述与应用,以及优劣分析。最终成绩由平时作业成绩、课程论文或实验报告成绩组合而成。各部分所占比例如下:
平时作业成绩:30%。主要考核对每堂课知识点的复习、理解和掌握程度。
课程论文或实验报告成绩:70%。主要考核发现、分析和解决问题的能力,以及语言及文字表达能力。学生可自拟题目或根据任课教师提出的题目撰写课程学习小论文,然后由任课教师评定课程论文成绩。
五、教材及参考书目
教材:《Machine Vision》
参考书目:
1. Ramerh Jian, et al., Machine Vision, MIT Press andMcGraw-Hill, Inc, 1995 (2003)
2. Dama H. Ballard, et al., Computer Vision,Prentice-Hall Inc., 1982
3. David Marr, Vision, W.H. Freeman and Company, 1982
4. Emanuele Trucco., Introductory Techniques for 3-DComputer Vision, Prentice-Hall Inc., 1998
5.贾云得, 机器视觉,科学出版社,2000
七、说明
(一)与相关课程的分工衔接
相关课程有高数等。学生如有意愿进一步进行深入研究,则在修人工智能和模式识别之前学生需要先修随机过程和概率论与数理统计课程,需掌握扎实的数学知识,具备一定的数据分析和处理你能力,这样才能在随后学习人工智能和模式识别课程时,更好的理解和掌握书本知识,而且人工智能和模式识别课程的,会给计算机视觉课程的学习提供一定的理论支持。
(二)其他说明
(执笔人:韩红 审核人:×××)
2018年8 月10 日