| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 1 绪论 | 第11-27页 |
| ·研究背景和意义 | 第11-15页 |
| ·研究背景 | 第11-12页 |
| ·选题意义 | 第12-15页 |
| ·国内外研究现状 | 第15-23页 |
| ·概率图研究现状 | 第15-17页 |
| ·图像分割研究现状 | 第17-20页 |
| ·视觉跟踪研究现状 | 第20-23页 |
| ·主要研究内容和创新点 | 第23-25页 |
| ·本文系统框架和组织结构 | 第25-27页 |
| 2 概率图模型分析 | 第27-49页 |
| ·概率图模型简介 | 第27-29页 |
| ·相关研究的概率图模型 | 第29-40页 |
| ·隐马尔可夫模型 | 第29-32页 |
| ·高斯混合模型 | 第32-35页 |
| ·Dirichlet 过程混合模型 | 第35-37页 |
| ·分层 Dirichlet 过程—隐马尔可夫模型 | 第37-40页 |
| ·概率图模型推理方法 | 第40-48页 |
| ·图割法 | 第40-45页 |
| ·马尔可夫链蒙特卡罗方法 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 3 图像局部特征的不确定性描述 | 第49-73页 |
| ·引言 | 第49-51页 |
| ·非下采样 Contourlet 变换的局部特征描述方法 | 第51-64页 |
| ·非下采样 Contourlet | 第51-52页 |
| ·各向异性扩散 | 第52-53页 |
| ·SIFT 算子 | 第53-54页 |
| ·模糊各向异性的边缘增强方法 | 第54-57页 |
| ·融合 SIFT 的关键点检测方法 | 第57-59页 |
| ·仿真实验分析 | 第59-64页 |
| ·隐含先验约束的形状特征 | 第64-72页 |
| ·隐含先验形状 | 第65-66页 |
| ·基于 MRF 的图像分割模型 | 第66-67页 |
| ·隐含先验约束 MRF 的形状分割 | 第67-70页 |
| ·仿真实验分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 4 快速非匀质图像分割方法 | 第73-85页 |
| ·引言 | 第73-74页 |
| ·基于区域的活动轮廓模型 | 第74-75页 |
| ·提出的灰度非匀质图像分割方法 | 第75-79页 |
| ·定义能量函数 | 第75-78页 |
| ·最小化能量函数 | 第78-79页 |
| ·复杂度分析 | 第79页 |
| ·仿真实验分析 | 第79-83页 |
| ·本章小结 | 第83-85页 |
| 5 基于时间 Dirichlet 过程演化的在线学习目标跟踪方法 | 第85-97页 |
| ·引言 | 第85页 |
| ·时间 Dirichlet 过程 | 第85-86页 |
| ·基于时间 Dirichlet 过程的表观模型 | 第86-91页 |
| ·基本定义 | 第86-88页 |
| ·结构分析 | 第88-89页 |
| ·后验推断 | 第89-91页 |
| ·目标跟踪 | 第91页 |
| ·仿真实验分析 | 第91-95页 |
| ·本章小结 | 第95-97页 |
| 6 基于分层 Dirichlet 过程演化的在线学习目标跟踪方法 | 第97-109页 |
| ·引言 | 第97页 |
| ·HDP-EVO 模型 | 第97-100页 |
| ·基于分层 Dirichlet 过程演化聚类的表观模型 | 第100-104页 |
| ·任务描述 | 第100页 |
| ·基于 HDP-EVO 的后验推断 | 第100-104页 |
| ·目标跟踪 | 第104页 |
| ·仿真实验分析 | 第104-108页 |
| ·本章小结 | 第108-109页 |
| 7 总结与展望 | 第109-111页 |
| 致谢 | 第111-113页 |
| 参考文献 | 第113-123页 |
| 附录 | 第123页 |
| A 作者在攻读学位期间发表的论文目录 | 第123页 |
| B 作者在攻读学位期间参加的科研项目 | 第123页 |
