| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 基于背景建模的视频动目标检测研究现状 | 第10-14页 |
| 1.2.1 统计背景建模法 | 第11-12页 |
| 1.2.2 聚类背景建模法 | 第12-13页 |
| 1.2.3 估计背景建模法 | 第13-14页 |
| 1.3 稀疏模型的研究现状 | 第14-15页 |
| 1.4 基于稀疏背景模型的动目标检测研究现状 | 第15-16页 |
| 1.5 本文的主要工作 | 第16-18页 |
| 第2章 背景建模与前景检测的基本理论和方法 | 第18-27页 |
| 2.1 视频场景中存在的问题和挑战 | 第18-21页 |
| 2.2 背景建模与前景检测的基本步骤 | 第21-26页 |
| 2.2.1 背景模型的选择 | 第22页 |
| 2.2.2 背景初始化 | 第22-24页 |
| 2.2.3 背景维持 | 第24-25页 |
| 2.2.4 前景检测 | 第25-26页 |
| 2.3 小结 | 第26-27页 |
| 第3章 基于字典学习的动目标检测算法 | 第27-46页 |
| 3.1 信号的稀疏表示 | 第27-39页 |
| 3.1.1 信号的基函数表示基础 | 第27-32页 |
| 3.1.2 信号稀疏表示的理论研究 | 第32-33页 |
| 3.1.3 信号稀疏表示的分解算法 | 第33-39页 |
| 3.2 字典学习模型 | 第39-42页 |
| 3.2.1 K-means算法 | 第40页 |
| 3.2.2 K-SVD字典学习 | 第40-42页 |
| 3.3 改进的基于K-SVD字典学习的背景建模算法 | 第42-45页 |
| 3.3.1 算法思想 | 第42-43页 |
| 3.3.2 算法步骤 | 第43-44页 |
| 3.3.3 仿真实验分析 | 第44-45页 |
| 3.4 小结 | 第45-46页 |
| 第4章 基于RPCA的运动目标检测算法 | 第46-58页 |
| 4.1 RPCA理论 | 第46-49页 |
| 4.1.1 PCA算法 | 第46-47页 |
| 4.1.2 RPCA算法 | 第47-49页 |
| 4.2 RPCA模型求解算法 | 第49-53页 |
| 4.2.1 迭代阈值(IT)法 | 第49-50页 |
| 4.2.2 加速近似梯度(APG)法 | 第50-51页 |
| 4.2.3 精确增广拉格朗日乘子(EALM)法 | 第51-52页 |
| 4.2.4 非精确增广拉格朗日乘子(IALM)法 | 第52-53页 |
| 4.3 改进的基于RPCA运动目标检测算法 | 第53-57页 |
| 4.3.1 算法思想 | 第53-54页 |
| 4.3.2 仿真实验分析 | 第54-57页 |
| 4.4 小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 主要工作总结 | 第58页 |
| 5.2 未来展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |