| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 可见光图像解译的研究现状 | 第11-12页 |
| 1.2.2 目标自动检测研究现状 | 第12-14页 |
| 1.2.3 目标检测识别算法的层次化处理框架 | 第14-16页 |
| 1.3 论文的主要工作和创新点 | 第16-17页 |
| 1.4 本文结构安排 | 第17-20页 |
| 第二章 目标检测关键技术概述 | 第20-27页 |
| 2.1 图像分割 | 第20-23页 |
| 2.1.1 基于阈值的分割方法 | 第20-21页 |
| 2.1.2 基于边缘的分割方法 | 第21页 |
| 2.1.3 基于区域的分割方法 | 第21-23页 |
| 2.2 特征提取 | 第23-24页 |
| 2.3 分类器设计 | 第24-26页 |
| 2.4 小结 | 第26-27页 |
| 第三章 基于超像素区域视觉显著性的目标检测方法 | 第27-46页 |
| 3.1 引言 | 第27-28页 |
| 3.2 面向对象的超像素分割方法 | 第28-30页 |
| 3.2.1 SLIC算法的基本原理 | 第28-29页 |
| 3.2.2 分割尺度选择 | 第29-30页 |
| 3.3 目标检测中视觉显著性模型的引入 | 第30-36页 |
| 3.3.1 视觉显著性检测研究现状 | 第30-33页 |
| 3.3.2 基于像素直方图对比度的全局显著性检测原理 | 第33-34页 |
| 3.3.3 具体实现 | 第34-36页 |
| 3.4 基于显著超像素区域提取的目标检测 | 第36-42页 |
| 3.4.1 基于超像素的区域显著度计算 | 第36-40页 |
| 3.4.2 目标超像素区域的特征分析 | 第40-42页 |
| 3.5 实验结果 | 第42-45页 |
| 3.6 小结 | 第45-46页 |
| 第四章 基于超像素词包模型的目标检测方法 | 第46-60页 |
| 4.1 引言 | 第46页 |
| 4.2 基于超像素特征聚类的BoVW模型构建 | 第46-49页 |
| 4.2.1 视觉词袋模型 | 第46-48页 |
| 4.2.2 K均值聚类算法 | 第48-49页 |
| 4.3 SVM分类器设计 | 第49-51页 |
| 4.4 基于超像素分类的目标检测流程 | 第51-53页 |
| 4.5 实验结果 | 第53-58页 |
| 4.6 小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 作者在学期间取得的学术成果 | 第68页 |