Computer Vision: Models, Learning, and Inference

This  modern  treatment  of  computer  vision  focuses  on  learning  and  inference  in  probabilistic  models  as  a  unifying  theme.  It  shows  how  to  use  training  data  to  learn  the  relationships  between  the  observed  image  data  and  the  aspects  of  the  world  that  we  wish  to  estimate,  such  as  the  3D  structure  or  the  object  class,  and  how  to  exploit  these  relationships  to  make  new  inferences  about  the  world  from  new  image  data.  With  minimal  prerequisites,  the  book  starts  from  the  basics  of  probability  and  model  fitting  and  works  up  to  real  examples  that  the  reader  can  implement  and  modify  to  build  useful  vision  systems.  Primarily  meant  for  advanced  undergraduate  and  graduate  students,  the  detailed  methodological  presentation  will  also  be  useful  for  practitioners  of  computer  vision.  *  Covers  cutting-edge  techniques,  including  graph  cuts,  machine  learning  and  multiple  view  geometry  *  A  unified  approach  shows  the  common  basis  for  solutions  of  important  computer  vision  problems,  such  as  camera  calibration,  face  recognition  and  object  tracking  *  More  than  70  algorithms  are  described  in  sufficient  detail  to  implement  *  More  than  350  full-color  illustrations  amplify  the  text  *  The  treatment  is  self-contained,  including  all  of  the  background  mathematics  *  Additional  resources  at  www.computervisionmodels.com