| 第一章 绪论 | 第1-26页 |
| 1．1 细胞神经网络用于视频运动对象分割的研究意义 | 第13-15页 |
| 1．2 视频分割及其CNN算法的研究动态 | 第15-23页 |
| 1．2．1 自动分割方案 | 第15-20页 |
| 1．2．1．1 基于光流法的分割 | 第16-17页 |
| 1．2．1．2 运动跟踪法 | 第17-19页 |
| 1．2．1．3 基于变化区域检测的时空法 | 第19-20页 |
| 1．2．2 半自动分割方案 | 第20-22页 |
| 1．2．2．1 按被分割对象的性质进行跟踪 | 第20-21页 |
| 1．2．2．2 基于变化检测的方案 | 第21页 |
| 1．2．2．3 基于形态学算法的方案 | 第21-22页 |
| 1．2．3 视频分割的CNN算法 | 第22-23页 |
| 1．3 本文的内容结构 | 第23-26页 |
| 第二章 CNN的数理模型与系统分析 | 第26-40页 |
| 2．1 标准CNN的结构与数理模型 | 第26-30页 |
| 2．2 标准CNN动态范围与稳定性分析 | 第30-37页 |
| 2．2．1 CNN动态范围 | 第30-33页 |
| 2．2．2 CNN稳定性分析 | 第33-37页 |
| 2．3 CNN输入输出的量化及其图象处理的基本思想 | 第37-39页 |
| 2．3．1 CNN输入与输出量化 | 第37-38页 |
| 2．3．2 CNN的图象处理基本思想 | 第38-39页 |
| 2．4 小结 | 第39-40页 |
| 第三章 基于 CNN差分图象合并的视频分割算法 | 第40-67页 |
| 3．1 基于CNN的差分图象合并算法 | 第40-44页 |
| 3．2 算法中CNN模板的设计与结构 | 第44-57页 |
| 3．2．1 CNN负片模板 | 第44-46页 |
| 3．2．2 CNN标量加合模板 | 第46-48页 |
| 3．2．3 CNN边缘检测模板 | 第48-51页 |
| 3．2．4 CNN膨胀模板 | 第51-53页 |
| 3．2．5 CNN区域填充模板 | 第53-54页 |
| 3．2．6 CNN逻辑合并操作模板 | 第54-55页 |
| 3．2．7 CNN目标分割模板 | 第55-57页 |
| 3．3 实验分析与对比 | 第57-65页 |
| 3．3．1 基于CNN差分图象合并算法的标准视频序列分割实验 | 第58-63页 |
| 3．3．2 算法性能的对比实验 | 第63-65页 |
| 3．3．3 基于CNN差分图象合并算法的非标准视频序列实验 | 第65页 |
| 3．4 小结 | 第65-67页 |
| 第四章 基于 CNN的光流场算法 | 第67-93页 |
| 4．1 引言 | 第67页 |
| 4．2 光流方程与正则化方法 | 第67-70页 |
| 4．2．1 光流方程与孔径问题 | 第68-69页 |
| 4．2．2 正则化方法 | 第69-70页 |
| 4．3 基于 CNN的光流场算法 | 第70-82页 |
| 4．3．1 CNN的Lyapunov函数与正则化 | 第70-73页 |
| 4．3．2 基于CNN的光流场算法 | 第73-78页 |
| 4．3．3 视频序列中空间与时间差分的 CNN算法 | 第78-82页 |
| 4．3．3．1 空间差分的CNN算法 | 第79-81页 |
| 4．3．3．2 时间差分的CNN算法 | 第81-82页 |
| 4．4 基于CNN的光流场算法分析 | 第82-84页 |
| 4．5 基于CNN的光流场算法的实验 | 第84-91页 |
| 4．6 小结 | 第91-93页 |
| 第五章 基于光流场阈值的CNN视频分割算法 | 第93-109页 |
| 5．1 引言 | 第93页 |
| 5．2 一种基于光流场阈值的运动分割方法 | 第93-101页 |
| 5．2．1 关于视频序列中的光流场分布 | 第94-99页 |
| 5．2．2 采用光流场阈值滤除背景光流场的分割算法 | 第99-101页 |
| 5．3 基于光流场阈值的 CNN视频分割算法 | 第101-103页 |
| 5．4 实验与分析 | 第103-108页 |
| 5．5 小结 | 第108-109页 |
| 第六章 结论与展望 | 第109-112页 |
| 6．1 本论文的主要工作 | 第109-110页 |
| 6．2 展望 | 第110-112页 |
| 参考文献 | 第112-117页 |
| 攻读博士学位期间发表的论文 | 第117-118页 |
| 致谢 | 第118页 |
