摘要 | 第1-7页 |
Abstract | 第7-16页 |
插图 | 第16-22页 |
表格 | 第22-24页 |
第1章 绪论 | 第24-52页 |
·课题背景及意义 | 第24-26页 |
·课题来源 | 第24页 |
·理论与实际意义 | 第24-26页 |
·难点问题分析 | 第26-31页 |
·难点问题简介 | 第26-30页 |
·不同应用领域中的难点问题分析 | 第30-31页 |
·人体检测的国内外研究现状及分析 | 第31-45页 |
·依据数据源的分类 | 第32-35页 |
·依据特征类型的分类 | 第35-39页 |
·依据人体表示模型的分类 | 第39-41页 |
·依据辅助信息的分类 | 第41-44页 |
·国内外从事人体检测的研究机构 | 第44-45页 |
·本文的研究内容与章节安排 | 第45-52页 |
·本文研究所针对的问题 | 第45-47页 |
·本文的研究内容 | 第47-49页 |
·本文的主要贡献 | 第49-50页 |
·本文的组织结构 | 第50-52页 |
第2章 人体的时-空域表示:运动轮廓特征(CMF) | 第52-67页 |
·引言 | 第52-53页 |
·人体的时-空域表示 | 第53-54页 |
·基于时-空描模型的轮廓运动特征 | 第54-58页 |
·时空体的距离变换 | 第54-55页 |
·基于3维Haar滤波器的轮廓-运动特征提取 | 第55-57页 |
·基于Realboost的特征选择 | 第57-58页 |
·实验与分析 | 第58-66页 |
·基于CMF特征的人体检测 | 第58-64页 |
·基于CMF特征的行为识别 | 第64-66页 |
·本章小结 | 第66-67页 |
第3章 人体的多粒度特征表示 | 第67-81页 |
·引言 | 第67-68页 |
·GGP特征模型的建立 | 第68-72页 |
·图像解析 | 第69-71页 |
·图像描述 | 第71-72页 |
·GGP特征的实现与计算 | 第72-75页 |
·方向空间划分 | 第72页 |
·GGP 描述子的计算与归一化 | 第72-74页 |
·GGP特征与HOG特征和Edgelet特征的关系 | 第74-75页 |
·实验与分析 | 第75-79页 |
·INRIA上与当前前沿算法的比较实验 | 第76页 |
·对于不同粒度的性能的测试 | 第76-77页 |
·对于不同特征元素的贡献的评测 | 第77-79页 |
·本章小结 | 第79-81页 |
第4章 时-空域的人体多粒度特征表示 | 第81-109页 |
·引言 | 第81-83页 |
·基于光流梯度场的STGGP描述子(STGGP of) | 第83-86页 |
·运动人体的光流梯度场表示 | 第84-85页 |
·运动人体的空间梯度场表达 | 第85-86页 |
·STGGP of描述子的计算 | 第86页 |
·基于时空平面的STGGP描述子(STGGP op) | 第86-89页 |
·运动人体的时空切平面表示 | 第87-88页 |
·STGGP op描述子的计算 | 第88-89页 |
·基于时-空域霍夫变换的STGGP描述子(STGGP 3h) | 第89-98页 |
·运动人体的3维实体表示模型 | 第89-90页 |
·空间平面的霍夫空间表示 | 第90-92页 |
·时-空域的方向-空间划分 | 第92-94页 |
·STGGP 3h描述子的计算 | 第94-98页 |
·实验与分析 | 第98-107页 |
·基于时空多粒度描述子的人体检测 | 第98-102页 |
·基于时空多粒度描述子的行为识别 | 第102-107页 |
·本章小结 | 第107-109页 |
第5章 非参数背景模型 | 第109-127页 |
·引言 | 第109-111页 |
·影响因素描述 | 第111-114页 |
·可靠背景模型 | 第114-119页 |
·基于核函数的密度估计与Mean Shift | 第114-117页 |
·基于Mean Shift模型计算 | 第117-118页 |
·运动目标检测与背景维护 | 第118-119页 |
·实验与分析 | 第119-124页 |
·背景生成 | 第120-123页 |
·背景相减 | 第123-124页 |
·本章小结 | 第124-127页 |
结论 | 第127-130页 |
参考文献 | 第130-146页 |
攻读博士学位期间发表的学术论文及其它成果 | 第146-149页 |
致谢 | 第149-151页 |
个人简历 | 第151页 |