| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11页 |
| 1.2 技术现状 | 第11-14页 |
| 1.2.1 传统运动目标检测算法 | 第11-12页 |
| 1.2.2 利用视觉显著性检测运动目标 | 第12-13页 |
| 1.2.3 运动目标检测中分形理论的应用 | 第13-14页 |
| 1.3 运动目标跟踪技术现状 | 第14-15页 |
| 1.4 现有目标检测和跟踪技术的局限性 | 第15-16页 |
| 1.5 论文结构安排 | 第16-19页 |
| 第二章 基于同向速度累加的FBM模型光流场分割 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 基于FBM模型的光流基本方程推导 | 第19-28页 |
| 2.2.1 传统光流基本方程及其局限性分析 | 第19-25页 |
| 2.2.2 自然场景图像的分形描述 | 第25-26页 |
| 2.2.3 基于FBM模型光流方程的推导 | 第26-28页 |
| 2.3 基于同向速度累加的光流场分割 | 第28-32页 |
| 2.4 小结 | 第32-33页 |
| 第三章 基于视觉显著图的两重目标分割算法 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 典型的视觉显著性方法 | 第33-38页 |
| 3.2.1 Itti方法 | 第33-34页 |
| 3.2.2 AC方法 | 第34-35页 |
| 3.2.3 RC方法 | 第35-36页 |
| 3.2.4 LC方法 | 第36-37页 |
| 3.2.5 FT方法 | 第37-38页 |
| 3.3 图像分割算法 | 第38-41页 |
| 3.3.1 基于图像的分割算法 | 第39页 |
| 3.3.2 基于梯度上升分割算法 | 第39页 |
| 3.3.3 SLIC（simple linear iternative clustering）分割算法 | 第39-41页 |
| 3.4 基于流形排序的两重显著图分割算法 | 第41-46页 |
| 3.5 小结 | 第46-47页 |
| 第四章 基于上下文学习和SVM分类器的仿射自适应跟踪算法 | 第47-75页 |
| 4.1 引言 | 第47页 |
| 4.2 特征提取与压缩 | 第47-56页 |
| 4.2.1 特征提取 | 第47-52页 |
| 4.2.2 利用随机高斯矩阵压缩Haar-like特征 | 第52-56页 |
| 4.3 SVM分类器对Haar-like特征进行学习分类 | 第56-58页 |
| 4.4 基于上下文学习的仿射自适应跟踪器 | 第58-67页 |
| 4.4.1 上下文学习及尺度因子推导 | 第58-64页 |
| 4.4.2 Mean-shift预测目标旋转角度 | 第64-67页 |
| 4.5 最优输出 | 第67-74页 |
| 4.6 小结 | 第74-75页 |
| 第五章 结束语 | 第75-77页 |
| 5.1 工作总结 | 第75页 |
| 5.2 工作展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 作者在学期间取得的学术成果 | 第85页 |
