摘要 | 第1-5页 |
Abstract | 第5-14页 |
图索引 | 第14-16页 |
List of Figures | 第16-19页 |
表索引 | 第19-20页 |
List of Tables | 第20-21页 |
第1章 绪论 | 第21-53页 |
·课题背景 | 第21-24页 |
·课题来源 | 第22页 |
·理论与实际意义 | 第22-24页 |
·难点问题分析 | 第24-26页 |
·物体检测的难点问题简介 | 第24-26页 |
·物体跟踪的难点问题简介 | 第26页 |
·物体检测与跟踪技术的研究机构及数据库 | 第26-31页 |
·国内外研究机构 | 第27-30页 |
·常用数据库 | 第30-31页 |
·物体检测与跟踪的代表性技术综述 | 第31-47页 |
·物体的表示方式 | 第31-32页 |
·特征与描述子 | 第32-40页 |
·学习算法 | 第40-42页 |
·候选空间的搜索方法 | 第42-46页 |
·前处理与后处理过程 | 第46-47页 |
·论文的主要研究内容及章节安排 | 第47-53页 |
·本文研究所针对的问题 | 第47-49页 |
·本文的研究内容 | 第49-50页 |
·本文的主要贡献 | 第50-51页 |
·本文的组织结构 | 第51-53页 |
第2章 新型二阶统计区域描述子的设计 | 第53-75页 |
·引言 | 第53-54页 |
·基本出发点 | 第54-56页 |
·Sigma set 的构造 | 第56-58页 |
·Sigma set 的几何解释 | 第58-61页 |
·Sigma set 的距离和均值 | 第61-65页 |
·改进的豪斯多夫距离 | 第61-62页 |
·点对齐的距离 | 第62-64页 |
·Sigma set 均值计算 | 第64-65页 |
·实验结果 | 第65-72页 |
·不同矩阵开方算法的影响 | 第67-69页 |
·Sigma set 与COV 的比较 | 第69-72页 |
·讨论 | 第72-73页 |
·小结 | 第73-75页 |
第3章 Sigma set 的物体表示与检测 | 第75-93页 |
·引言 | 第75-76页 |
·针对物体检测的底层特征挑选 | 第76-77页 |
·Sigma set 描述子的向量表示 | 第77-78页 |
·Sigma set 物体表示 | 第78-83页 |
·集成Sigma set 物体表示 | 第79-82页 |
·网格Sigma set 物体表示 | 第82-83页 |
·实验结果 | 第83-92页 |
·集成Sigma set 人体检测 | 第83-86页 |
·网格Sigma set 人体检测 | 第86-90页 |
·网格Sigma set 图像表示 | 第90-92页 |
·小结 | 第92-93页 |
第4章 Sigma set 的隐含在线学习与物体跟踪 | 第93-110页 |
·引言 | 第93-94页 |
·Sigma set 均值跟踪算法 | 第94-96页 |
·Sigma set 隐含在线跟踪算法 | 第96-103页 |
·分块物体表示 | 第97-98页 |
·核函数隐含在线模型 | 第98-101页 |
·在线学习 | 第101-102页 |
·贝叶斯推理框架 | 第102-103页 |
·实验结果 | 第103-108页 |
·Sigma set 均值跟踪算法的实验结果 | 第103-106页 |
·Sigma set 隐含在线跟踪算法的实验结果 | 第106-108页 |
·小结 | 第108-110页 |
第5章 区域描述子的弱分类器设计 | 第110-127页 |
·引言 | 第110-111页 |
·样本空间预映射 | 第111-118页 |
·使用非线性核函数作为弱分类器 | 第112-113页 |
·在预映射空间进行弱学习 | 第113-117页 |
·与传统非线性核方法的区别 | 第117-118页 |
·实验结果 | 第118-124页 |
·影响预映射的若干因素 | 第118-120页 |
·在INRIA 人体数据库上的实验 | 第120-122页 |
·在VOC 车辆数据库上的实验 | 第122-124页 |
·讨论 | 第124-126页 |
·小结 | 第126-127页 |
结论 | 第127-129页 |
参考文献 | 第129-149页 |
攻读博士学位期间发表的学术论文 | 第149-152页 |
致谢 | 第152-154页 |
个人简历 | 第154页 |