| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 问题的提出 | 第10-11页 |
| 1.3 本文贡献 | 第11-12页 |
| 1.4 研究内容及组织结构 | 第12-14页 |
| 第2章 研究现状分析 | 第14-19页 |
| 2.1 沉浸式视频技术发展现状 | 第14-15页 |
| 2.2 沉浸式视频对象融合方法 | 第15-16页 |
| 2.3 沉浸式视频对象融合过程中时序一致性保持方法 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 时序一致的沉浸式视频对象融合方法 | 第19-32页 |
| 3.1 问题描述 | 第19-20页 |
| 3.2 沉浸式视频对象融合算法概述 | 第20-24页 |
| 3.2.1 基于几何块结构模型的前景深度信息求解 | 第21-23页 |
| 3.2.2 邻域结构模型的构建和背景深度恢复 | 第23-24页 |
| 3.2.3 视频对象融合具体过程 | 第24页 |
| 3.3 高斯滤波和CPF匹配算法原理介绍 | 第24-27页 |
| 3.3.1 高斯滤波算法 | 第24-25页 |
| 3.3.2 CPF匹配算法 | 第25-27页 |
| 3.4 时序一致的沉浸式视频对象融合方法设计 | 第27-30页 |
| 3.4.1 自适应帧间高斯滤波的设计 | 第28-29页 |
| 3.4.2 基于自适应帧间高斯滤波算法的时序保持的深度平滑方法 | 第29-30页 |
| 3.5 实验及结果分析 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 基于GPU并行化计算的沉浸式视频对象融合方法 | 第32-45页 |
| 4.1 问题描述 | 第32页 |
| 4.2 GPU相关技术 | 第32-34页 |
| 4.2.1 CUDA技术标准 | 第33页 |
| 4.2.2 Direct Show标准 | 第33-34页 |
| 4.3 基于GPU技术的并行化沉浸式视频对象融合算法 | 第34-42页 |
| 4.3.1 基于阈值恢复前景区域GPU并行化设计 | 第35-37页 |
| 4.3.2 基于几何块结构模型计算求解深度并GPU并行化设计 | 第37-39页 |
| 4.3.3 基于邻域微结构的半监督学习求解深度GPU并行化设计 | 第39-42页 |
| 4.4 实验及结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 沉浸式视频对象融合系统 | 第45-55页 |
| 5.1 Kinect深度传感器概述 | 第45-47页 |
| 5.2 Any Chat开发平台介绍 | 第47-48页 |
| 5.3 系统框架及原理 | 第48-53页 |
| 5.3.1 视频采集模块 | 第49页 |
| 5.3.2 视频对象及骨骼信息提取 | 第49-50页 |
| 5.3.3 视频融合 | 第50-52页 |
| 5.3.4 视频网络通信及回传 | 第52-53页 |
| 5.4 系统实现 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
