| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 引言 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 时空显著性检测算法分析 | 第12-14页 |
| 1.2.2 轮廓编组计算模型与算法分析 | 第14-17页 |
| 1.2.3 基于视频的群体检测算法的分析 | 第17页 |
| 1.3 论文主要内容及创新点 | 第17-19页 |
| 1.3.1 论文的主要内容 | 第18-19页 |
| 1.3.2 论文的主要特色及创新点 | 第19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 2 基于时空分析的融合显著性算法 | 第21-33页 |
| 2.1 相关工作 | 第21-23页 |
| 2.2 融合显著性算法 | 第23-29页 |
| 2.2.1 基于图的视觉显著性的计算 | 第23-24页 |
| 2.2.2 基于Ego-Motion信息的显著性计算 | 第24-27页 |
| 2.2.3 基于光流的目标运动显著性计算 | 第27-28页 |
| 2.2.4 融合显著性算法 | 第28-29页 |
| 2.3 实验结果及评价 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于融合显著性的显著目标提取算法 | 第33-46页 |
| 3.1 相关工作 | 第33-35页 |
| 3.2 显著目标提取算法 | 第35-41页 |
| 3.2.1 基于融合显著性的边缘检测算法 | 第35-36页 |
| 3.2.2 编组元提取 | 第36-37页 |
| 3.2.3 目标函数 | 第37-40页 |
| 3.2.4 基于融合显著性的显著目标提取算法 | 第40-41页 |
| 3.3 实验结果对比与分析 | 第41-45页 |
| 3.3.1 实验环境和数据集 | 第41页 |
| 3.3.2 实验结果对比与分析 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于多视角时空分析的显著目标提取算法 | 第46-57页 |
| 4.1 相关工作 | 第47-48页 |
| 4.2 视觉注意的关注度模型 | 第48-53页 |
| 4.2.1 视觉注意的线索定义 | 第49-50页 |
| 4.2.2 基于视觉注意线索的关注度计算 | 第50-52页 |
| 4.2.3 基于时域线索的转移趋势关注度计算 | 第52页 |
| 4.2.4 目标间相互关系计算 | 第52-53页 |
| 4.3 基于群体检测的显著目标提取算法 | 第53-55页 |
| 4.3.1 基于自适应K-Means聚类方法的群体检测方法 | 第53-54页 |
| 4.3.2 显著目标提取算法 | 第54-55页 |
| 4.4 实验结果及评价 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 工作总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 进一步的研究建议 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |