| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-19页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 相关领域研究现状 | 第9-16页 |
| 1.2.1 机器学习 | 第9-13页 |
| 1.2.2 视觉显著性计算模型的发展 | 第13-15页 |
| 1.2.3 视频中目标识别技术的发展 | 第15-16页 |
| 1.3 基于视觉显著性的目标识别难点分析 | 第16-17页 |
| 1.4 本文研究内容与结构安排 | 第17-19页 |
| 第二章 视觉选择性注意机制 | 第19-30页 |
| 2.1 色彩空间 | 第19-22页 |
| 2.1.1 RGB色彩空间 | 第19-20页 |
| 2.1.2 HSV色彩空间 | 第20-22页 |
| 2.1.3 CIELAB色彩空间 | 第22页 |
| 2.2 人类视觉感知机制 | 第22-24页 |
| 2.2.1 人类视觉感知概述 | 第23页 |
| 2.2.2 人类视觉感知的生物学原理 | 第23-24页 |
| 2.3 视觉选择性注意计算模型 | 第24-27页 |
| 2.3.1 自底向上的视觉选择性注意模型 | 第25-26页 |
| 2.3.2 自顶向下的视觉选择性注意模型 | 第26-27页 |
| 2.4 视觉选择性注意机制在实际中的应用 | 第27-29页 |
| 2.4.1 视觉选择性注意机制在计算机视觉中的应用 | 第27-28页 |
| 2.4.2 视觉选择性注意机制在图像处理中的应用 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于改进的SLIC算法的超级像素分割 | 第30-40页 |
| 3.1 传统的图像分割方法 | 第30-34页 |
| 3.1.1 基于边缘的图像分割 | 第31-32页 |
| 3.1.2 基于阈值的图像分割 | 第32-33页 |
| 3.1.3 基于区域的图像分割 | 第33-34页 |
| 3.2 基于SLIC算法的超级像素分割 | 第34-36页 |
| 3.2.1 超级像素分割方法概述 | 第34-35页 |
| 3.2.2 SLIC超级像素分割算法 | 第35-36页 |
| 3.3 SLIC算法的不足与改进 | 第36-38页 |
| 3.3.1 SLIC算法的不足 | 第37页 |
| 3.3.2 针对SLIC算法不足的改进 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于超级像素的视觉选择区域提取 | 第40-55页 |
| 4.1 Itti视觉显著区域提取算法 | 第40-45页 |
| 4.1.1 图像特征金字塔构建 | 第40-43页 |
| 4.1.2 中心-周围差 | 第43-44页 |
| 4.1.3 跨尺度与夸特征融合 | 第44-45页 |
| 4.1.4 Itti模型总结与评价 | 第45页 |
| 4.2 基于超级像素颜色对比度的视觉显著区域提取 | 第45-49页 |
| 4.2.1 色彩空间的选取 | 第46页 |
| 4.2.2 基于超级像素色彩对比度的视觉显著区域提取 | 第46-49页 |
| 4.3 基于超级像素纹理对比度的视觉显著区域提取 | 第49-52页 |
| 4.3.1 灰度共生矩阵及其特征值 | 第49-51页 |
| 4.3.2 超级像素的纹理特征表示 | 第51-52页 |
| 4.4 基于超级像素中心-周围对比度的视觉显著区域提取 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于视觉显著性的目标识别 | 第55-64页 |
| 5.1 目标分类方法 | 第55-56页 |
| 5.2 特征描述 | 第56-60页 |
| 5.2.1 视觉显著区域的描述 | 第56-57页 |
| 5.2.2 ORB特征提取 | 第57-60页 |
| 5.3 目标识别 | 第60-62页 |
| 5.3.1 目标识别算法的选择 | 第60-61页 |
| 5.3.2 特征匹配 | 第61-62页 |
| 5.4 实验及结果分析 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64页 |
| 6.2 工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录 攻读硕士学位期间申请的专利 | 第70-71页 |
| 致谢 | 第71页 |
