| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 选题背景和研究意义 | 第15-19页 |
| 1.1.1 选题背景 | 第15-17页 |
| 1.1.2 理论意义 | 第17-18页 |
| 1.1.3 应用价值 | 第18-19页 |
| 1.2 研究内容和目标 | 第19-21页 |
| 1.3 本文的组织结构 | 第21-23页 |
| 第2章 视觉物体建模与检测的研究现状 | 第23-37页 |
| 2.1 训练和测试数据库 | 第23-26页 |
| 2.1.1 Caltech数据库 | 第24页 |
| 2.1.2 INRIA行人数据库 | 第24-25页 |
| 2.1.3 PASCAL VOC数据库 | 第25-26页 |
| 2.2 物体模型 | 第26-32页 |
| 2.2.1 与或图表示（And-Or Graph） | 第28-30页 |
| 2.2.2 可形变部件模型(Deformable Part-based Model,DPM) | 第30-32页 |
| 2.3 机器学习算法 | 第32-33页 |
| 2.4 推理计算 | 第33-35页 |
| 2.5 小结 | 第35-37页 |
| 第3章 判别式稀疏图像块物体检测模型 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 相关工作 | 第37-41页 |
| 3.2.1 AdaBoost | 第37-39页 |
| 3.2.2 方向梯度直方图（Histogram of Oriented Gradients, HOG） . | 第39-41页 |
| 3.3 稀疏图像块特征 | 第41-43页 |
| 3.3.1 颜色空间变换HOG特征 | 第41-42页 |
| 3.3.2 图像块弱分类器 | 第42-43页 |
| 3.4 稀疏图像块物体检测模型 | 第43-46页 |
| 3.4.1 训练过程 | 第43-45页 |
| 3.4.2 验证过程 | 第45页 |
| 3.4.3 测试过程 | 第45-46页 |
| 3.5 实验 | 第46-48页 |
| 3.6 小结 | 第48-49页 |
| 第4章 物体与或图空间的量化模型和动态规划寻优算法 | 第49-67页 |
| 4.1 引言 | 第49-50页 |
| 4.2 相关工作 | 第50-53页 |
| 4.2.1 四叉树（Quadtree） | 第50-52页 |
| 4.2.2 基于匹配追踪(Matching Pursuit)的贪婪量化算法 | 第52-53页 |
| 4.3 物体与或图模型空间的定义与量化 | 第53-59页 |
| 4.3.1 部件类型字典 | 第54-55页 |
| 4.3.2 部件分解规则 | 第55-56页 |
| 4.3.3 与或图模型空间表示 | 第56-59页 |
| 4.4 与或图表示能力分析 | 第59-62页 |
| 4.5 动态规划寻优算法 | 第62-65页 |
| 4.5.1 与或图得分计算 | 第62-64页 |
| 4.5.2 DP算法寻找最优部件组合 | 第64-65页 |
| 4.6 小结 | 第65-67页 |
| 第5章 弱标注下物体与或树模型的判别式学习 | 第67-97页 |
| 5.1 引言 | 第67页 |
| 5.2 相关工作 | 第67-69页 |
| 5.3 物体与或树模型 | 第69-74页 |
| 5.4 物体与或图模型的判别式学习 | 第74-85页 |
| 5.4.1 无监督的物体“子类”学习 | 第74-78页 |
| 5.4.2 物体“子类”的最优部件配置的学习 | 第78-79页 |
| 5.4.3 物体与或图模型的外观参数和变形参数的联合判别式学习 ... | 第79-85页 |
| 5.5 实验结果和分析 | 第85-95页 |
| 5.5.1 实验定量结果 | 第85-91页 |
| 5.5.2 实验定性结果 | 第91-95页 |
| 5.6 小结 | 第95-97页 |
| 第6章 总结与展望 | 第97-99页 |
| 6.1 论文总结 | 第97-98页 |
| 6.2 未来工作展望 | 第98-99页 |
| 参考文献 | 第99-111页 |
| 致谢 | 第111-113页 |
| 攻读学位期间发表论文与研究成果清单 | 第113-115页 |
| 攻读博士学位期间参与的科研项目 | 第115-117页 |
| 作者简介 | 第117页 |
