陈耀东，湖南长沙人，工学博士，2005年硕士毕业于国防科学技术大学计算机学院，2014年博士毕业于湖南大学信息科学与工程学院，现为长沙师范学院专任教师，湖南省教育科学研究院博士后。主要研究领域有计算机视觉、机器学习、教育信息化等，主持教育部、科技部课题各1项、省级课题3项．以作者在《计算机学报》《计算机研究与发展》等国内外重要期刊和国际会议上发表论文近20篇，其中SCI检索1篇，EI检索7篇。

　　目标检测不仅是目标识别的经典问题，还是许多其他视觉任务的基础。非刚性目标（如动物、人体等）相对其他类别的目标检测难度更大，主要体现在内外观差异大、特征学习的噪声干扰、局部形变等。《基于部件的非刚性目标识别方法研究》对近年来的目标识别方法进行了概述，重点讨论了基于部件的目标识别模型，研究了基于部件的概率模型、基于部件的判别模型，进一步研究了语义部件的识别与非刚性目标的姿态估计问题。《基于部件的非刚性目标识别方法研究》在目标识别的公共评测集PASCAL对所研究的方法进行了实验，通过实验结果分析了各识别方法的特点与优劣。后，对目标识别未来发展的趋势进行了展望。

第1章 绪论
1．1 目标识别
1．1．1 图像处理与计算机视觉
1．1．2 目标识别任务
1．2 非刚性目标识别
1．2．1 非刚性目标
1．2．2 非刚性目标识别的挑战
1．3 本书内容
1．3．1 一般识别模型与方法
1．3．2 部件化识别模型与方法
1．3．3 主要创新点
1．3．4 本书结构

第2章 部件化识别模型与方法概述
2．1 目标特征描述
2．1．1 特征分类
2．1．2 典型特征
2．2 主流识别模型
2．2．1 整体化模型
2．2．2 结构化识别
2．3 部件模型方法论
2．3．1 浅层分析VS深层分析
2．3．2 部件模型的定义与分析
2．4 研究现状
2．4．1 弱监督部件模型
2．4．2 监督部件模型
2．5 实验分析
2．5．1 判别部件VS语义部件
2．5．2 形状特征VS统计特征
2．5．3 功能损失分析
2．5．4 空间结构分析
2．6 本章小结

第3章 基于部件的判别投票
3．1 部件化投票模型
3．1．1 轮廓及特征提取
3．1．2 概率投票
3．1．3 部件化投票
3．2 投票计算与参数训练
3．2．1 投票计算
3．2．2 参数训练
3．3 实验评估
3．3．1 实验设置
3．3．2 ETHZ和INRIA-Horse
3．3．3 PASCAL VOC
3．4 本章小结

第4章 自适应部件学习
4．1 自适应部件定位
4．2 基于ICS的自适应部件定位
4．2．1 ICS-based DPM
4．2．2 自适应定位策略
4．3 伪正样本剪枝
4．4 训练框架
4．5 实验评估
4．5．1 部件覆盖率
4．5．2 目标检测率
4．5．3 部件剪枝
4．6 本章小结

第5章 层次化联合识别模型
5．1 层次化识别模型概述
5．1．1 相关研究
5．1．2 基本思想
5．2 判别化联合模型
5．2．1 模型计算
5．2．2 模型训练
5．2．3 联合模型的实验评估
5．3 文法联合模型
5．3．1 文法概述
5．3．2 相关工作
5．3．3 视觉文法模型
5．3．4 文法化联合模型
5．3．5 实验评估
5．4 本章小结

第6章 基于领域自适应的目标识别方法
6．1 领域自适应方法
6．1．1 基本概念
6．1．2 研究现状
6．2 领域自适应结构化SVM
6．2．1 部件标注
6．2．2 自适应结构化SVM
6．2．3 样本选取
6．2．4 实验评估
6．3 组件感知自适应结构化SVM
6．3．1 算法描述
6．3．2 实验评估
6．4 本章小结

第7章 总结与展望
7．1 工作结论
7．2 研究展望
参考文献
索引
致谢