| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 前人研究现状及存在的问题 | 第14-22页 |
| 1.2.1 图像目标识别研究现状 | 第14-18页 |
| 1.2.2 图像目标检测研究现状 | 第18-21页 |
| 1.2.3 当前研究存在的问题 | 第21-22页 |
| 1.3 本文研究内容及创新点 | 第22-24页 |
| 1.3.1 研究内容 | 第22-23页 |
| 1.3.2 本研究创新点 | 第23-24页 |
| 1.4 本文的基本组织结构 | 第24-26页 |
| 第二章 基于少样本局部自适应方向特征的目标识别 | 第26-45页 |
| 2.1 研究现状及问题形成 | 第26-27页 |
| 2.2 基于局部自适应方向特征的少样本目标识别与检测 | 第27-34页 |
| 2.2.1 LAS特征的计算 | 第27-29页 |
| 2.2.2 基于LAS特征的目标识别 | 第29-34页 |
| 2.2.3 基于LAS特征的识别算法在目标检测中的应用 | 第34页 |
| 2.3 实验结果 | 第34-44页 |
| 2.3.1 基于LAS特征的人脸识别实验结果 | 第34-36页 |
| 2.3.2 基于LAS特征的识别算法应用于目标检测的实验结果 | 第36-42页 |
| 2.3.3 基于LAS特征的计算效率对比和特征对比 | 第42-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第三章 基于少样本的快速目标检测 | 第45-67页 |
| 3.1 研究现状及问题的形成 | 第45-46页 |
| 3.2 目标检测方法 | 第46-55页 |
| 3.2.1 特征计算 | 第46-47页 |
| 3.2.2 基于HOG特征的投票空间的训练 | 第47-49页 |
| 3.2.3 基于投票的目标检测 | 第49-55页 |
| 3.3 实验结果 | 第55-65页 |
| 3.3.1 基于滑动窗.检测的实验 | 第55-63页 |
| 3.3.2 基于图像块的实验结果 | 第63-65页 |
| 3.4 本章小结 | 第65-67页 |
| 第四章 基于索引的少量样本目标检测 | 第67-81页 |
| 4.1 研究现状及问题的形成 | 第67页 |
| 4.2 二维反向索引表的构造 | 第67-70页 |
| 4.2.1 二维特征的计算 | 第68-69页 |
| 4.2.2 二维索引表的构建 | 第69-70页 |
| 4.3 基于二维索引表的多类别目标检测 | 第70-73页 |
| 4.3.1 检测方法 | 第71-72页 |
| 4.3.2 复杂度分析 | 第72-73页 |
| 4.4 实验结果 | 第73-80页 |
| 4.4.1 单目标数据集实验结果 | 第73-75页 |
| 4.4.2 多目标数据集实验结果 | 第75-80页 |
| 4.5 本章小结 | 第80-81页 |
| 第五章 基于深度学习的少样本前景目标检测 | 第81-113页 |
| 5.1 前景目标检测研究现状及存在的问题 | 第81-82页 |
| 5.2 深度模型简介 | 第82-85页 |
| 5.2.1 深度自编码网络的研究现状 | 第84-85页 |
| 5.3 基于深度自编码网络的背景学习 | 第85-99页 |
| 5.3.1 固定的背景容忍度模型 | 第85-91页 |
| 5.3.2 自适应的背景容忍度模型 | 第91-99页 |
| 5.4 实验结果 | 第99-112页 |
| 5.4.1 固定背景容忍度值的实验结果 | 第99-101页 |
| 5.4.2 自适应背景容忍度值的实验结果 | 第101-112页 |
| 5.5 本章小结 | 第112-113页 |
| 第六章 总结与展望 | 第113-116页 |
| 6.1 本文主要工作 | 第113-114页 |
| 6.2 特色和创新点 | 第114页 |
| 6.3 关于下一步工作的展望 | 第114-116页 |
| 致谢 | 第116-117页 |
| 参考文献 | 第117-131页 |
| 攻博期间取得的研究成果 | 第131-133页 |
