| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 运动目标检测 | 第14-16页 |
| 1.2.2 基于显著性的视觉关注 | 第16-19页 |
| 1.2.3 视频目标分割 | 第19-21页 |
| 1.3 主要的研究工作及全文的组织结构 | 第21-24页 |
| 1.3.1 主要的研究内容 | 第21-22页 |
| 1.3.2 全文的组织结构 | 第22-24页 |
| 第二章 大脑视觉认知和显著性计算 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 基于人类视觉机制的视觉认知 | 第24-30页 |
| 2.2.1 人类视觉系统概况 | 第24-26页 |
| 2.2.2 大脑视觉通路简介 | 第26-27页 |
| 2.2.3 视网膜和侧膝体的生物结构及功能 | 第27-29页 |
| 2.2.4 大脑视觉皮层的生物结构及功能 | 第29-30页 |
| 2.3 选择性视觉关注机制 | 第30-37页 |
| 2.3.1 控制视觉关注的生物神经机制 | 第30-31页 |
| 2.3.2 基于显著性的视觉关注及Center-surround原理 | 第31-34页 |
| 2.3.3 自底向上的视觉关注建模机制—显著性计算模型 | 第34-37页 |
| 2.4 小结 | 第37-38页 |
| 第三章 生物启发的复杂户外场景中的运动目标检测 | 第38-59页 |
| 3.1 引言 | 第38-40页 |
| 3.2 相关工作 | 第40页 |
| 3.3 生物启发的运动目标检测方法 | 第40-48页 |
| 3.3.1 H-S光流场 | 第41-43页 |
| 3.3.2 光流的独立成分分析 | 第43-46页 |
| 3.3.3 前景光流的主成分分析 | 第46-48页 |
| 3.4 实验结果及分析 | 第48-58页 |
| 3.5 小结 | 第58-59页 |
| 第四章 基于大脑认知启发的视觉关注模型—复杂场景的时空显著性检测 | 第59-80页 |
| 4.1 引言 | 第59-60页 |
| 4.2 相关工作 | 第60-62页 |
| 4.2.1 静态图像的视觉关注模型 | 第60-61页 |
| 4.2.2 结合时空信息的视觉关注模型 | 第61-62页 |
| 4.3 基于大脑认知启发的时空视觉关注模型 | 第62-70页 |
| 4.3.1 基于生物启发视觉的前景检测 | 第62-65页 |
| 4.3.2 基于Meanshift的显著前景目标选择和时域显著图生成 | 第65-68页 |
| 4.3.3 基于图的视觉显著性模型生成静态显著图 | 第68-69页 |
| 4.3.4 时空显著性融合 | 第69-70页 |
| 4.4 实验结果及分析 | 第70-78页 |
| 4.4.1 数据集和评价方法介绍 | 第70-72页 |
| 4.4.2 实验设置及结果比较分析 | 第72-75页 |
| 4.4.3 可视化结果对比 | 第75-78页 |
| 4.5 小结 | 第78-80页 |
| 第五章 基于时空显著性的快速视频目标分割 | 第80-101页 |
| 5.1 引言 | 第80-81页 |
| 5.2 基于时空显著性的快速视频目标分割 | 第81-90页 |
| 5.2.1 算法框架 | 第81-83页 |
| 5.2.2 基于全局运动检测的运动显著性计算 | 第83-85页 |
| 5.2.3 基于区域对比的图像显著性计算 | 第85-86页 |
| 5.2.4 时空显著性融合 | 第86-87页 |
| 5.2.5 基于MRF的前景和背景标记 | 第87-90页 |
| 5.3 实验结果及分析 | 第90-100页 |
| 5.3.1 数据集介绍 | 第90-91页 |
| 5.3.2 实验设置和评价方法 | 第91-92页 |
| 5.3.3 实验结果及分析 | 第92-97页 |
| 5.3.4 可视化结果对比 | 第97-99页 |
| 5.3.5 相关算法的分析和讨论 | 第99-100页 |
| 5.4 小结 | 第100-101页 |
| 第六章 总结与展望 | 第101-103页 |
| 6.1 本文总结 | 第101页 |
| 6.2 工作展望 | 第101-103页 |
| 参考文献 | 第103-113页 |
| 致谢 | 第113-114页 |
| 攻读博士学位期间发表的学术论文 | 第114-115页 |
| 攻读博士学位期间参加的科研项目 | 第115页 |
