| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题背景及选题意义 | 第11-12页 |
| 1.2 目标轮廓跟踪研究现状 | 第12-14页 |
| 1.3 目标轮廓跟踪难点 | 第14-16页 |
| 1.4 本文的主要内容 | 第16-18页 |
| 第二章 基于LEVELSET的主动轮廓跟踪研究 | 第18-29页 |
| 2.1 基于主动轮廓模型的跟踪 | 第18-19页 |
| 2.2 参数化主动轮廓模型 | 第19-20页 |
| 2.3 Level Set方法 | 第20-23页 |
| 2.3.1 曲线演化理论 | 第20-21页 |
| 2.3.2 Level Set方法和函数 | 第21-23页 |
| 2.4 基于判别式表观模型的水平集 | 第23-26页 |
| 2.4.1 判别式与产生式 | 第23-24页 |
| 2.4.2 SVM分类器 | 第24-26页 |
| 2.4.3 基于判别式的水平集演化方程 | 第26页 |
| 2.5 主动轮廓跟踪方法中的形状约束 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 在线初始化 | 第29-44页 |
| 3.1 水平集初始化 | 第29-32页 |
| 3.1.1 基于背景差分法的轮廓获取 | 第30-31页 |
| 3.1.2 手动标定轮廓 | 第31页 |
| 3.1.3 水平集函数的初始化 | 第31-32页 |
| 3.2 支持向量机在线初始化 | 第32-36页 |
| 3.2.1 特征选取 | 第32-34页 |
| 3.2.2 SVM核函数的选取 | 第34-35页 |
| 3.2.3 在线训练SVM分类器 | 第35-36页 |
| 3.3 形状模型在线初始化 | 第36-39页 |
| 3.3.1 非负矩阵分解 | 第36-37页 |
| 3.3.2 基于NMF的形状建模 | 第37-39页 |
| 3.4 检测器初始化 | 第39-43页 |
| 3.4.1 检测器原理 | 第39-40页 |
| 3.4.2 级联分类器 | 第40-42页 |
| 3.4.3 检测器样本提取 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于LEVEL SET的在线目标轮廓跟踪 | 第44-57页 |
| 4.1 算法总体框架 | 第44-45页 |
| 4.2 分层Level Set模型 | 第45-48页 |
| 4.2.1 基于判别式表观模型的Level Set轮廓跟踪方法 | 第45-46页 |
| 4.2.2 基于NNLS的判别决策 | 第46-47页 |
| 4.2.3 在形状约束下的轮廓进化 | 第47-48页 |
| 4.3 检测结果提取 | 第48-49页 |
| 4.4 融入检测机制的轮廓跟踪 | 第49-53页 |
| 4.4.1 可靠度计算 | 第50-51页 |
| 4.4.2 轮廓提取及初始轮廓设定 | 第51-53页 |
| 4.5 模型更新策略 | 第53-56页 |
| 4.5.1 SVM样本更新 | 第53-54页 |
| 4.5.2 形状样本更新 | 第54-55页 |
| 4.5.3 检测器在线更新 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 实验结果与分析 | 第57-71页 |
| 5.1 算法评估标准 | 第57页 |
| 5.2 实验方法 | 第57-58页 |
| 5.3 实验结果及分析 | 第58-70页 |
| 5.3.1 参数敏感度测试 | 第58-60页 |
| 5.3.2 形状模型有效性验证 | 第60-62页 |
| 5.3.3 结合检测机制的水平集轮廓跟踪方法实验结果与分析 | 第62-63页 |
| 5.3.4 算法对比实验结果与分析 | 第63-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71-72页 |
| 6.2 工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间所发表的学术论文 | 第78-79页 |