| 摘要 | 第4-5页 |
| 英文摘要 | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 选题背景与研究意义 | 第13-16页 |
| 1.2 国内外研究动态 | 第16-17页 |
| 1.3 面临的主要问题和挑战 | 第17-18页 |
| 1.4 本文主要工作和创新点 | 第18-19页 |
| 1.5 本文的组织结构 | 第19-21页 |
| 第二章 运动目标检测概述及子空间学习基础 | 第21-39页 |
| 2.1 引言 | 第21-22页 |
| 2.2 传统的运动目标检测方法 | 第22-28页 |
| 2.2.1 帧间差分法 | 第22-24页 |
| 2.2.2 光流法 | 第24-26页 |
| 2.2.3 背景减除法 | 第26-28页 |
| 2.3 基于子空间学习的运动目标检测方法 | 第28-37页 |
| 2.3.1 子空间学习的基础概念 | 第28-29页 |
| 2.3.2 基于PCA的运动目标检测方法 | 第29-31页 |
| 2.3.3 基于RPCA的运动目标检测方法 | 第31-36页 |
| 2.3.4 基于RNMF的运动目标检测方法 | 第36-37页 |
| 2.3.5 基于ROSL的运动目标检测方法 | 第37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 基于投影梯度的运动目标检测方法 | 第39-55页 |
| 3.1 引言 | 第39-41页 |
| 3.2 算法描述 | 第41-46页 |
| 3.2.1 基础理论 | 第41-42页 |
| 3.2.2 矩阵稀疏性估计 | 第42-43页 |
| 3.2.3 低秩分解空间 | 第43-44页 |
| 3.2.4 投影梯度算法 | 第44页 |
| 3.2.5 本章所提出的运动目标检测方法 | 第44-46页 |
| 3.3 实验结果及分析 | 第46-54页 |
| 3.3.1 数据集 | 第46-48页 |
| 3.3.2 实验设置和评价指标 | 第48-50页 |
| 3.3.3 实验结果 | 第50-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 基于鲁棒估计与增广拉格朗日乘子的运动目标检测方法 | 第55-71页 |
| 4.1 引言 | 第55-57页 |
| 4.2 算法描述 | 第57-62页 |
| 4.2.1 鲁棒的矩阵估计 | 第57-59页 |
| 4.2.2 增广拉格朗日乘子法 | 第59-61页 |
| 4.2.3 本章所提出的运动目标检测方法 | 第61-62页 |
| 4.3 实验结果及分析 | 第62-70页 |
| 4.3.1 数据集 | 第62-63页 |
| 4.3.2 实验设置和评价指标 | 第63-65页 |
| 4.3.3 实验结果 | 第65-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 总结与未来工作 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 未来工作 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 硕士期间参与的科研项目及发表论文 | 第79-81页 |
| 致谢 | 第81页 |