| 摘要 | 第1-13页 |
| ABSTRACT | 第13-17页 |
| 缩略词表 | 第17-18页 |
| 第一部分 绪论 | 第18-45页 |
| 第一章 课题研究的目的和意义 | 第18-21页 |
| ·课题研究的目的 | 第18页 |
| ·图像分割研究的意义 | 第18-19页 |
| ·目标跟踪研究的意义 | 第19-21页 |
| 第二章 目前国内外的研究现状和存在的问题 | 第21-35页 |
| ·目标跟踪的基本数学模型 | 第21页 |
| ·目标区域提取技术 | 第21-26页 |
| ·图像预处理 | 第21-22页 |
| ·目标区域分割 | 第22-26页 |
| ·目标的特征提取 | 第26-27页 |
| ·目标跟踪 | 第27-33页 |
| ·基于目标运动参数的跟踪方法 | 第28-29页 |
| ·基于目标图像信息的跟踪方法 | 第29-31页 |
| ·其他跟踪方法 | 第31-33页 |
| ·存在的问题 | 第33-35页 |
| 第三章 本文的研究技术路线和主要研究内容 | 第35-38页 |
| ·研究技术路线 | 第35页 |
| ·主要研究内容与论文结构 | 第35-36页 |
| ·论文的主要贡献 | 第36-38页 |
| 参考文献 | 第38-45页 |
| 第二部分 彩色图像分割方法研究 | 第45-92页 |
| 第四章 引言 | 第45-49页 |
| ·图像分割的定义 | 第45-46页 |
| ·图像分割算法的分类 | 第46-48页 |
| ·本部分的主要研究内容与各章节安排 | 第48-49页 |
| 第五章 基于自组织神经网络彩色图像自适应聚类分割 | 第49-76页 |
| ·聚类分析简介 | 第49-50页 |
| ·聚类分析与神经网络对彩色图像分割的意义 | 第50-51页 |
| ·聚类算法的研究 | 第51-55页 |
| ·C_均值聚类算法 | 第51-53页 |
| ·基于Fisher距离的聚类有效性函数 | 第53-55页 |
| ·SOFM神经网络 | 第55-58页 |
| ·SOFM网络简介 | 第55-56页 |
| ·SOFM网络的原理 | 第56-58页 |
| ·基于SOFM网络的图像聚类分割算法 | 第58-64页 |
| ·SOFM网络学习算法在图像分割中的具体实现 | 第58-59页 |
| ·SOFM网络竞争层节点的自适应聚类分析 | 第59-61页 |
| ·基于SOFM网络的彩色图像聚类分割 | 第61页 |
| ·实验结果与分析 | 第61-64页 |
| ·基于自适应自组织特征映射神经网络的图像分割算法 | 第64-75页 |
| ·SA_SOFM神经网络简介 | 第64页 |
| ·SA_SOFM神经网络学习算法 | 第64-65页 |
| ·基于SA_SOFM网络的彩色图像分割 | 第65页 |
| ·实验结果与分析 | 第65-75页 |
| ·两种图像聚类分割算法的分析与比较 | 第75-76页 |
| 第六章 基于遗传算法的彩色图像熵阈值分割 | 第76-87页 |
| ·遗传算法概述 | 第76-80页 |
| ·遗传算法简介 | 第76-77页 |
| ·遗传算法的工作流程 | 第77-80页 |
| ·二维熵阈值选择法 | 第80-83页 |
| ·单阈值分割 | 第80-82页 |
| ·多阈值分割 | 第82-83页 |
| ·基于GA的二维熵阈值彩色图像分割 | 第83-87页 |
| ·熵阈值分割在GA中的构造问题 | 第83-84页 |
| ·固定码长GA的多阈值分割 | 第84页 |
| ·可变码长GA的自适应多阈值分割 | 第84-85页 |
| ·实验结果与分析 | 第85-87页 |
| 第七章 第二部分结论 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 第三部分 运动目标分割与特征提取 | 第92-109页 |
| 第八章 引言 | 第92-94页 |
| ·视频运动目标分割的主要方法 | 第92-93页 |
| ·本部分主要研究内容和章节安排 | 第93-94页 |
| 第九章 运动目标分割与提取 | 第94-100页 |
| ·背景消减法 | 第94页 |
| ·双差分法 | 第94-96页 |
| ·运动检测 | 第96页 |
| ·运动目标 | 第96-97页 |
| ·背景更新 | 第97-100页 |
| 第十章 实验步骤及实验结果 | 第100-107页 |
| ·运动目标分割的实验步骤及实验结果 | 第100-104页 |
| ·实验步骤 | 第100-101页 |
| ·实验结果 | 第101-104页 |
| ·边缘特征和颜色特征提取 | 第104-106页 |
| ·第三部分结论 | 第106-107页 |
| 参考文献 | 第107-109页 |
| 第四部分 复杂场景下视觉目标跟踪方法研究 | 第109-159页 |
| 第十一章 引言 | 第109-111页 |
| ·目标跟踪研究的特点 | 第109页 |
| ·本部分的主要研究内容和章节安排 | 第109-111页 |
| 第十二章 遮挡情况下基于特征相关匹配的刚性目标跟踪 | 第111-121页 |
| ·遮挡问题 | 第111页 |
| ·匹配特征的选择 | 第111-112页 |
| ·基于当前统计模型的Kalman预测 | 第112-113页 |
| ·遮挡下边缘匹配算法 | 第113-115页 |
| ·边缘提取 | 第113-114页 |
| ·边缘匹配算法 | 第114页 |
| ·仿射变换 | 第114-115页 |
| ·模板更新 | 第115页 |
| ·遮挡下基于多子块的灰度匹配算法 | 第115-118页 |
| ·目标自适应分块 | 第115-117页 |
| ·遮挡下基于多子块的灰度相关匹配算法 | 第117-118页 |
| ·实验结果及分析 | 第118-120页 |
| ·边缘匹配和灰度匹配的对比实验 | 第118-119页 |
| ·两运动目标相互遮挡下基于边缘匹配的跟踪 | 第119页 |
| ·目标遮挡下基于灰度匹配的跟踪 | 第119页 |
| ·两运动目标相互遮挡下基于灰度匹配的跟踪 | 第119-120页 |
| ·小结 | 第120-121页 |
| 第十三章 基于改进粒子滤波算法的目标跟踪 | 第121-139页 |
| ·粒子滤波器的优点 | 第121-122页 |
| ·粒子滤波器的原理 | 第122-127页 |
| ·问题描述 | 第123-125页 |
| ·贝叶斯重要性采样 | 第125-126页 |
| ·顺序的重要性采样 | 第126页 |
| ·粒子退化和重采样 | 第126-127页 |
| ·粒子滤波算法在目标跟踪中的应用 | 第127-128页 |
| ·颜色模型选择及加权直方图计算 | 第128-130页 |
| ·基于改进的粒子滤波算法的目标跟踪 | 第130-134页 |
| ·自适应运动模型 | 第131-132页 |
| ·遮挡检测及处理 | 第132-133页 |
| ·自适应粒子滤波算法 | 第133-134页 |
| ·目标丢失判断与重新初始化 | 第134-136页 |
| ·实验结果及分析 | 第136-138页 |
| ·算法对比 | 第136页 |
| ·目标经过光照区的跟踪 | 第136页 |
| ·干扰较多情况下的跟踪 | 第136-138页 |
| ·小结 | 第138-139页 |
| 第十四章 均值漂移算法和粒子滤波器相结合的目标跟踪 | 第139-152页 |
| ·均值漂移算法原理 | 第139-142页 |
| ·非参数核密度估计 | 第139-140页 |
| ·密度梯度估计 | 第140-142页 |
| ·均值漂移算法的收敛性 | 第142页 |
| ·均值漂移算法应用于目标跟踪 | 第142-143页 |
| ·改进的均值漂移跟踪算法 | 第143-149页 |
| ·目标模板统计 | 第144页 |
| ·改进的均值漂移跟踪算法步骤 | 第144-145页 |
| ·目标尺度实时更新 | 第145页 |
| ·改进均值漂移算法的实验结果及分析 | 第145-149页 |
| ·改进的均值漂移算法与粒子滤波器相结合的目标跟踪 | 第149-150页 |
| ·小结 | 第150-152页 |
| 第十五章 第四部分结论 | 第152-154页 |
| 参考文献 | 第154-159页 |
| 全文结论 | 第159-162页 |
| 致谢 | 第162-163页 |
| 攻读博士学位期间发表的论文 | 第163-164页 |
| 攻读博士学位期间获得的科技成果奖励 | 第164页 |
| 攻读博士学位期间承担完成的科研项目 | 第164-166页 |
| 学位论文评阅及答辩情况表 | 第166页 |