概率图模型在视频分割中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 图目录 | 第7-9页 |
| 表目录 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景意义 | 第10-11页 |
| ·概述 | 第10页 |
| ·视频分割的应用 | 第10-11页 |
| ·视频分割算法的相关研究 | 第11-13页 |
| ·空间域上以图像颜色信息为主的分割方法 | 第11-12页 |
| ·时间域上以运动信息为主的分割方法 | 第12页 |
| ·结合特定理论工具的分割方法 | 第12-13页 |
| ·本文的方法 | 第13页 |
| ·论文内容 | 第13页 |
| ·论文安排 | 第13-15页 |
| 第二章 概率图模型的基本理论 | 第15-31页 |
| ·引言 | 第15-16页 |
| ·概率图模型的产生与发展 | 第16-17页 |
| ·概率图模型的分类 | 第17-18页 |
| ·概率图模型中联合概率的分布式表达 | 第18-19页 |
| ·相关的图论基本概念（Graphs） | 第19-22页 |
| ·概率图模型 | 第22-31页 |
| ·有向概率图模型（贝叶斯网络） | 第23-26页 |
| ·无向概率图模型(马尔可夫网络) | 第26-31页 |
| 第三章 贝叶斯信念传播算法 | 第31-38页 |
| ·图模型中的计算及信念传播算法 | 第31-33页 |
| ·无环网络中的信念传播算法 | 第33-35页 |
| ·有环网络中的信念传播算法 | 第35-36页 |
| ·有环网络的信念传播算法研究进展 | 第36-37页 |
| ·信念传播算法在计算机视觉研究中现有应用 | 第37-38页 |
| 第四章 基于马尔可夫随机场的视频分割 | 第38-47页 |
| ·引言 | 第38页 |
| ·基于马尔可夫随机场的视频分割算法 | 第38-43页 |
| ·模型的建立及参数学习 | 第39-43页 |
| ·模型中背景状态的估计 | 第43页 |
| ·实验的建立和实验结果 | 第43-46页 |
| ·实验的建立及模型学习 | 第43-44页 |
| ·实验结果 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 基于混合概率模型的视频分割 | 第47-58页 |
| ·引言 | 第47页 |
| ·隐马尔可夫模型介绍 | 第47-49页 |
| ·隐马尔可夫模型（HMM）的定义 | 第47-49页 |
| ·HMM 对视频流中背景像素时序变化建模 | 第49页 |
| ·混合概率模型的建立 | 第49-52页 |
| ·混合概率模型中的概率推导 | 第52-53页 |
| ·实验建立和实验结果 | 第53-57页 |
| ·与第四章视频分割方法的比较 | 第53-55页 |
| ·其他环境中的分割结果 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 结束语 | 第58-60页 |
| ·本文工作总结 | 第58页 |
| ·下一步研究方向 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 作者简历 | 第65页 |
