摘要 | 第6-7页 |
ABSTRACT | 第7页 |
第1章 绪论 | 第11-15页 |
1.1 研究背景及意义 | 第11-12页 |
1.1.1 研究背景 | 第11-12页 |
1.1.2 研究意义 | 第12页 |
1.2 国内外研究现状 | 第12-13页 |
1.3 本文主要研究内容 | 第13-14页 |
1.4 论文的结构安排 | 第14-15页 |
第2章 图像超像素分割的方法及其方法对比 | 第15-29页 |
2.1 引言 | 第15页 |
2.2 超像素的内容表达 | 第15-21页 |
2.2.1 颜色特征 | 第15-18页 |
2.2.2 纹理特征 | 第18-19页 |
2.2.3 空间关系特征 | 第19-21页 |
2.3 超像素图像分割方法 | 第21-24页 |
2.3.1 SLIC | 第21-22页 |
2.3.2 Normalized Cuts | 第22-23页 |
2.3.3 Tubopixels | 第23-24页 |
2.4 超像素的分割方法性能比较 | 第24-28页 |
2.5 本章小结 | 第28-29页 |
第3章 基于超像素复杂背景下运动目标外观模型构建 | 第29-43页 |
3.1 引言 | 第29页 |
3.2 亮度分量距离约束的SLIC算法 | 第29-31页 |
3.3 基于改进的SLIC超像素的均值漂移聚类 | 第31-34页 |
3.4 利用目标特征池和置信图构建目标外观模型 | 第34-38页 |
3.4.1 目标特征向量提取 | 第34-35页 |
3.4.2 计算超像素的置信图 | 第35-37页 |
3.4.3 建立目标外观模型 | 第37-38页 |
3.5 运动目标观测模型在粒子滤波下的性能评估 | 第38-42页 |
3.5.1 超像素分割下的粒子滤波 | 第38-39页 |
3.5.2 运动目标观测模型性能评估 | 第39-42页 |
3.6 本章小结 | 第42-43页 |
第4章 基于超像素分割和ADABOOST运动检测算法设计 | 第43-55页 |
4.1 引言 | 第43页 |
4.2 基于复杂场景的AdaBoost运动目标判别模型 | 第43-47页 |
4.2.1 图像HOG特征和LBP特征的提取 | 第43-45页 |
4.2.2 运动模型AdaBoost强分类器设计 | 第45-47页 |
4.3 基于超像素分割的生成型外观模型 | 第47-48页 |
4.4 贝叶斯框架下目标检测定位 | 第48-52页 |
4.5 模型更新与遮挡处理 | 第52-54页 |
4.5.1 运动模型更新策略 | 第52-53页 |
4.5.2 目标遮挡判定策略 | 第53-54页 |
4.6 本章小结 | 第54-55页 |
第5章 超像素分割检测算法仿真验证与结果分析 | 第55-66页 |
5.1 引言 | 第55页 |
5.2 基于超像素的目标检测算法模块设计 | 第55-56页 |
5.3 仿真验证过程 | 第56-57页 |
5.4 超像素分割的复杂背景下运动目标检测实验结果分析 | 第57-65页 |
5.5 本章小结 | 第65-66页 |
结论 | 第66-68页 |
参考文献 | 第68-71页 |
致谢 | 第71-72页 |
攻读硕士期间发表(含录用)的学术论文 | 第72页 |