| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 前言 | 第11-17页 |
| 1.1 研究意义和目的 | 第11-15页 |
| 1.2 本文的组织结构 | 第15-17页 |
| 第二章 背景减除概述 | 第17-28页 |
| 2.1 背景减除研究现状、常用数据库以及评价指标 | 第17-25页 |
| 2.1.1 基本背景减除方法 | 第17页 |
| 2.1.2 混合高斯模型方法 | 第17-19页 |
| 2.1.3 非参数方法 | 第19-21页 |
| 2.1.4 主成分分析(PCA)方法 | 第21-22页 |
| 2.1.5 基于深度学习模型的背景减除方法 | 第22-23页 |
| 2.1.6 其他模型的方法 | 第23页 |
| 2.1.7 背景减除常用数据库 | 第23-24页 |
| 2.1.8 常用的评价指标 | 第24-25页 |
| 2.2 存在的问题与技术难点 | 第25-26页 |
| 2.2.1 存在的问题 | 第25页 |
| 2.2.2 技术难点 | 第25-26页 |
| 2.3 研究内容 | 第26-27页 |
| 2.3.1 基于压缩特征的像素归属预判断 | 第26页 |
| 2.3.2 超像素分割背景减除 | 第26-27页 |
| 2.3.3 基于能量最小化的多特征融合 | 第27页 |
| 2.3.4 基于免微调的深度学习全卷积网络的目标预识别 | 第27页 |
| 2.4 科学问题和研究内容的关系 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 像素归属预判断算法 | 第28-38页 |
| 3.1 混合高斯模型(GMM) | 第28-29页 |
| 3.2 压缩域运动矢量和模式信息 | 第29-30页 |
| 3.2.1 运动矢量分析 | 第29页 |
| 3.2.2 编码的模式信息分析 | 第29页 |
| 3.2.3 运动矢量统计数据和模式信息统计数据 | 第29-30页 |
| 3.3 改进的混合高斯模型与压缩域信息结合的像素归属预判断 | 第30-34页 |
| 3.3.1 基于宏块的前景区域分析和标注方法 | 第30-32页 |
| 3.3.2 基于模式信息和运动矢量的前景区域预分析 | 第32-33页 |
| 3.3.3 前景宏块标注方法 | 第33页 |
| 3.3.4 改进的GMM建模算法 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 超像素与背景减除融合算法 | 第38-44页 |
| 4.1 超像素分割 | 第38-39页 |
| 4.2 基于超像素分割的背景减除 | 第39-40页 |
| 4.3 实验结果和分析 | 第40-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 特征融合与背景减除混合算法 | 第44-54页 |
| 5.1 多特征融合的背景减除技术 | 第45-51页 |
| 5.1.1 特征融合方法 | 第45-50页 |
| 5.1.2 基于轮廓的mask融合方法 | 第50-51页 |
| 5.2 实验结果和分析 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 免微调的深度学习算法 | 第54-62页 |
| 6.1 背景区域运动与摄像机运动场景下的背景减除 | 第54-56页 |
| 6.2 基于矩形框匹配的深度学习的背景减除 | 第56-58页 |
| 6.3 实验结果和分析 | 第58-60页 |
| 6.4 本章小结 | 第60-62页 |
| 第七章 总结与展望 | 第62-65页 |
| 7.1 论文研究工作总结 | 第62-63页 |
| 7.1.1 提出的四种背景减除算法 | 第62-63页 |
| 7.1.2 提出的四种算法的各自特点 | 第63页 |
| 7.2 研究工作的展望 | 第63-64页 |
| 7.2.1 利用深度学习的方法开展背景减除 | 第63-64页 |
| 7.2.2 建立鲁棒的背景模型 | 第64页 |
| 7.2.3 基于PCA模型的背景减除 | 第64页 |
| 7.2.4 研究针对背景减除方面的多特征融合方法 | 第64页 |
| 7.3 未来研究工作的简述 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 研究成果 | 第72-75页 |
| 致谢 | 第75-76页 |
