| 目录 | 第1-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-11页 |
| 图索引 | 第11-13页 |
| 表索引 | 第13-14页 |
| 第1章 绪论 | 第14-21页 |
| ·研究背景与研究意义 | 第14-16页 |
| ·研究内容与方法 | 第16-19页 |
| ·研究内容 | 第16-17页 |
| ·研究方法与路线 | 第17-19页 |
| ·本文的主要工作与创新 | 第19-20页 |
| ·文章的组织结构 | 第20-21页 |
| 第2章 国内外相关工作回顾 | 第21-41页 |
| ·图像特征 | 第21-30页 |
| ·基于颜色的特征 | 第21-23页 |
| ·图像片特征 | 第21-22页 |
| ·颜色通道直方图特征 | 第22-23页 |
| ·其它局部点特征 | 第23-30页 |
| ·频域特征 | 第23页 |
| ·差分滤波特征 | 第23页 |
| ·拐角特征 | 第23-24页 |
| ·SIFT特征 | 第24-25页 |
| ·形状上下文特征 | 第25-27页 |
| ·HOG特征 | 第27-28页 |
| ·特征分析与特征扩展 | 第28-30页 |
| ·特征距离函数 | 第30页 |
| ·物体识别方法回顾 | 第30-39页 |
| ·基于统计的方法与基于物体部件的方法 | 第30-38页 |
| ·基于统计的物体分类方法:Bag of Words(BoW) | 第31-34页 |
| ·基于物体部件(part-based)的识别框架 | 第34-38页 |
| ·自顶向下的识别方法与自底向上的搜索方法 | 第38页 |
| ·生成性(Generative)方法与鉴别性(Discriminative)方法 | 第38-39页 |
| ·物体识别的性能评估方法 | 第39-41页 |
| 第3章 一种结合识别与分割的物体检测方法 | 第41-54页 |
| ·采用的数据库及算法动机 | 第42-43页 |
| ·模型的建立 | 第43-44页 |
| ·改进的形状上下文描述子 | 第44-45页 |
| ·自顶向下的假设生成模块 | 第45-46页 |
| ·投票方法能量函数以及泛化性能分析 | 第46-49页 |
| ·利用分类器进行假设验证 | 第49页 |
| ·利用自底向上的图像分割得到前景掩码 | 第49-50页 |
| ·实验结果 | 第50-53页 |
| ·本章总结 | 第53-54页 |
| 第4章 自顶向下的轮廓线聚类——利用轮廓线选择(Contour Selection)进行物体识别 | 第54-73页 |
| ·背景介绍 | 第55-58页 |
| ·问题定义与目标 | 第58-61页 |
| ·轮廓线 | 第58-59页 |
| ·物体检测目标 | 第59页 |
| ·问题的定义 | 第59-60页 |
| ·最大化子集 | 第60-61页 |
| ·轮廓线匹配的解决办法 | 第61-65页 |
| ·三个必要的组成部分 | 第61-62页 |
| ·上下文敏感的形状特征 | 第62-64页 |
| ·选择轮廓线特征的能量函数 | 第64-65页 |
| ·通过线性规划来计算求解 | 第65-68页 |
| ·单点前/背景标定 | 第66-67页 |
| ·联合轮廓线选择 | 第67-68页 |
| ·轮廓线选择检测方法小结 | 第68-69页 |
| ·实验结果 | 第69-71页 |
| ·本章总结 | 第71页 |
| ·本章附录 | 第71-73页 |
| 第5章 人体姿态估计 | 第73-84页 |
| ·问题介绍 | 第74-76页 |
| ·上下文敏感特征与全局形状匹配 | 第76-79页 |
| ·姿态估计问题的形式化表示 | 第76-77页 |
| ·前景轮廓线与模型参数的选择 | 第77-78页 |
| ·生成模型的活动特征-模型肢节变化 | 第78-79页 |
| ·形状特征的匹配与求解 | 第79-81页 |
| ·实验结果 | 第81-83页 |
| ·本章总结 | 第83-84页 |
| 第6章 自底向上的轮廓线聚类——通过相关图像进行轮廓线分割 | 第84-96页 |
| ·背景介绍以及相关工作 | 第85页 |
| ·分割标准 | 第85-87页 |
| ·Con的求解过程 | 第87-90页 |
| ·选择问题 | 第87-89页 |
| ·计算求解 | 第89-90页 |
| ·结合T_i进行轮廓线选择 | 第90-92页 |
| ·图分割(Graph Cut)实现轮廓线分割 | 第92-93页 |
| ·实验结果 | 第93-95页 |
| ·实验基准结果 | 第93-95页 |
| ·加入轮廓线选择过程的实验结果 | 第95页 |
| ·本章小结 | 第95-96页 |
| 第7章 物体识别在街景中的应用 | 第96-105页 |
| ·应用背景介绍 | 第96-97页 |
| ·算法动机 | 第97-98页 |
| ·街景识别算法 | 第98-102页 |
| ·HOG(有向梯度直方图)图像特征以及SVM分类器 | 第98-99页 |
| ·刚性物体检测 | 第99-100页 |
| ·树(纹理区域)检测 | 第100-101页 |
| ·半刚性物体检测 | 第101-102页 |
| ·利用颜色信息进行检测验证 | 第102页 |
| ·街景识别结果 | 第102-104页 |
| ·本章总结 | 第104-105页 |
| 第8章 保持结构的图像扩散 | 第105-113页 |
| ·图像扩散方法介绍 | 第105-107页 |
| ·图像扩散算法回顾 | 第107页 |
| ·ICC核函数 | 第107-110页 |
| ·Intervening Contour(IC) | 第108页 |
| ·ICC核函数的扩散速度 | 第108-109页 |
| ·ICC核函数的结构保持性能 | 第109-110页 |
| ·核参数的自适应选择 | 第110-111页 |
| ·实验结果 | 第111-112页 |
| ·本章总结 | 第112-113页 |
| 第9章 总结与展望 | 第113-114页 |
| 参考文献 | 第114-124页 |
| 攻读博士期间发表的论文 | 第124-125页 |
| 致谢 | 第125-126页 |
