| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 概述 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 时间差分法 | 第9页 |
| 1.2.2 背景建模差分法 | 第9-10页 |
| 1.2.3 光流法 | 第10页 |
| 1.2.4 基于矩阵分解的视频运动物体检测方法 | 第10-12页 |
| 1.3 问题描述 | 第12-13页 |
| 1.4 本文的工作 | 第13页 |
| 1.5 论文结构 | 第13-14页 |
| 第二章 基于矩阵分解的视频运动物体检测方法 | 第14-36页 |
| 2.1 基于低秩性的矩阵分解方法 | 第14-25页 |
| 2.1.1 RPCA算法 | 第14-16页 |
| 2.1.2 DECOLOR算法 | 第16-21页 |
| 2.1.3 RFDSA算法 | 第21-23页 |
| 2.1.4 B. Xin等人提出的基于矩阵分解的方法 | 第23-24页 |
| 2.1.5 本小节总结 | 第24-25页 |
| 2.2 基于子空间学习进行背景建模的矩阵分解方法 | 第25-34页 |
| 2.2.1 GRASTA算法 | 第25-28页 |
| 2.2.2 t-GRASTA算法 | 第28-29页 |
| 2.2.3 ISC算法 | 第29-32页 |
| 2.2.4 张量RPCA算法 | 第32-34页 |
| 2.2.5 本小节总结 | 第34页 |
| 2.3 本章小结 | 第34-36页 |
| 第三章 基于显著性检测和子空间学习的增量运动物体检测算法 | 第36-58页 |
| 3.1 显著性检测 | 第36-37页 |
| 3.2 算法描述 | 第37-43页 |
| 3.2.1 输入与输出 | 第37-38页 |
| 3.2.2 算法模型 | 第38-39页 |
| 3.2.3 变量及参数求解 | 第39-42页 |
| 3.2.4 本小节总结 | 第42-43页 |
| 3.3 算法流程 | 第43-44页 |
| 3.4 实验结果 | 第44-56页 |
| 3.4.1 中间实验结果 | 第45-51页 |
| 3.4.2 和现有算法实验结果对比 | 第51-56页 |
| 3.5 存在的问题 | 第56-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 结论及展望 | 第58-60页 |
| 4.1 论文总结分析 | 第58页 |
| 4.1.1 取得的成果 | 第58页 |
| 4.1.2 存在的问题 | 第58页 |
| 4.2 未来的展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况说明 | 第64-66页 |
| 致谢 | 第66-67页 |