摘要 | 第4-6页 |
abstract | 第6-8页 |
第1章 绪论 | 第11-25页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 国内外研究与应用现状 | 第13-15页 |
1.3 技术难点 | 第15-19页 |
1.4 技术分类 | 第19-22页 |
1.5 主要研究内容与章节安排 | 第22-25页 |
第2章 相关基础概述 | 第25-41页 |
2.1 引言 | 第25页 |
2.2 背景减除法基本流程 | 第25-28页 |
2.3 背景减除法算法分类 | 第28-32页 |
2.4 测试数据集 | 第32-38页 |
2.5 算法效果评价机制 | 第38-40页 |
2.6 本章小结 | 第40-41页 |
第3章 基于纹理特征和颜色特征相结合的前景目标检测 | 第41-77页 |
3.1 引言 | 第41页 |
3.2 纹理特征在前景目标检测中的应用 | 第41-44页 |
3.3 ESILTP纹理特征 | 第44-46页 |
3.4 LSSD纹理特征 | 第46-51页 |
3.5 RLBSP纹理特征 | 第51-53页 |
3.6 纹理特征和颜色特征相结合的前景目标检测 | 第53-62页 |
3.6.1 算法框架 | 第54-56页 |
3.6.2 模型表示 | 第56-57页 |
3.6.3 背景模型初始化 | 第57-58页 |
3.6.4 前景检测 | 第58-60页 |
3.6.5 背景模型更新 | 第60-62页 |
3.7 实验结果与分析 | 第62-74页 |
3.7.1 实验一 | 第62-68页 |
3.7.2 实验二 | 第68-73页 |
3.7.3 实验三 | 第73-74页 |
3.8 本章小结 | 第74-77页 |
第4章 基于多尺度全卷积神经网络的前景目标检测 | 第77-95页 |
4.1 引言 | 第77-78页 |
4.2 卷积神经网络在前景目标检测中的应用 | 第78-79页 |
4.3 基于多尺度全卷积神经网络结构的前景目标检测 | 第79-85页 |
4.3.1 框架流程 | 第79-80页 |
4.3.2 网络结构 | 第80-85页 |
4.3.3 实现与训练 | 第85页 |
4.4 实验结果与分析 | 第85-93页 |
4.5 本章小结 | 第93-95页 |
第5章 结合语义分割的实时前景目标检测 | 第95-119页 |
5.1 引言 | 第95-96页 |
5.2 语义分割在前景目标检测中的应用 | 第96-97页 |
5.3 结合语义分割的实时前景目标检测框架 | 第97-105页 |
5.3.1 SuBSENSE背景减除 | 第98-99页 |
5.3.2 ICNet实时语义分割 | 第99-100页 |
5.3.3 RTSS框架 | 第100-105页 |
5.4 实验结果与分析 | 第105-117页 |
5.5 本章小结 | 第117-119页 |
第6章 基于卷积神经网络的前景检测结果融合 | 第119-131页 |
6.1 引言 | 第119页 |
6.2 集成学习在前景目标检测中的应用 | 第119-122页 |
6.3 基于卷积神经网络的前景检测结果融合 | 第122-125页 |
6.3.1 网络结构 | 第122-124页 |
6.3.2 训练过程 | 第124-125页 |
6.4 实验结果与分析 | 第125-129页 |
6.5 本章小结 | 第129-131页 |
第7章 总结与展望 | 第131-135页 |
7.1 本文工作总结 | 第131-132页 |
7.2 未来研究工作展望 | 第132-135页 |
参考文献 | 第135-149页 |
作者简历及攻读学位期间发表的学术论文与研究成果 | 第149-151页 |
致谢 | 第151页 |