| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态 | 第11-15页 |
| 1.2.1 2D视觉注意模型 | 第11-13页 |
| 1.2.2 3D视觉注意模型 | 第13-14页 |
| 1.2.3 运动目标分割 | 第14-15页 |
| 1.3 本文研究内容及技术路线 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 视觉注意模型理论及方法 | 第18-30页 |
| 2.1 视觉注意模型基本理论 | 第18-24页 |
| 2.1.1 视觉注意机制简介 | 第18-19页 |
| 2.1.2 影响视觉注意的基本图像特征 | 第19-22页 |
| 2.1.3 显著性检测基本原理 | 第22-24页 |
| 2.2 常见的 2D视觉注意模型 | 第24-29页 |
| 2.2.1 2D视觉注意模型的分类 | 第24-25页 |
| 2.2.2 常见 2D视觉注意模型算法 | 第25-27页 |
| 2.2.3 显著性检查评价方法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 结合深度信息的 3D视觉注意模型 | 第30-47页 |
| 3.1 深度信息及其在视觉注意模型中的作用 | 第30-33页 |
| 3.1.1 深度信息简介 | 第30-31页 |
| 3.1.2 深度信息的提取 | 第31-32页 |
| 3.1.3 深度信息对视觉注意的影响 | 第32-33页 |
| 3.2 常见的 3D视觉注意模型 | 第33-34页 |
| 3.3 结合深度信息的 3D视觉注意模型 | 第34-40页 |
| 3.3.1 基于图像分块的区域特征提取 | 第35-36页 |
| 3.3.2 特征显著性的计算 | 第36-37页 |
| 3.3.3 特征显著性的融合 | 第37-38页 |
| 3.3.4 3D显著性检测结果的增强处理 | 第38页 |
| 3.3.5 算法具体步骤 | 第38-40页 |
| 3.4 实验结果及分析 | 第40-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 结合超像素分割技术的 3D显著性检测算法 | 第47-64页 |
| 4.1 超像素分割 | 第47-50页 |
| 4.1.1 超像素分割简介 | 第47-48页 |
| 4.1.2 超像素分割方法 | 第48-49页 |
| 4.1.3 结合深度信息的超像素分割 | 第49-50页 |
| 4.2 基于改进超像素分割的 3D视觉注意模型 | 第50-57页 |
| 4.2.1 基本流程及思路 | 第50-51页 |
| 4.2.2 特征提取 | 第51-52页 |
| 4.2.3 初始显著性的计算 | 第52-53页 |
| 4.2.4 结合超像素图模型对初始显著性的优化 | 第53-55页 |
| 4.2.5 算法具体步骤 | 第55-57页 |
| 4.3 实验结果及分析 | 第57-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 基于 3D视觉注意模型的运动目标分割 | 第64-78页 |
| 5.1 运动目标分割 | 第64-66页 |
| 5.1.1 概述 | 第64-65页 |
| 5.1.2 运动目标分割方法 | 第65-66页 |
| 5.2 基于 3D视觉注意模型的运动目标分割 | 第66-73页 |
| 5.2.1 基本流程及思路 | 第66-67页 |
| 5.2.2 3D视觉注意模型中运动信息的提取 | 第67-70页 |
| 5.2.3 Growcut算法基本原理 | 第70-72页 |
| 5.2.4 基于 3D显著性检测结果的运动目标分割 | 第72页 |
| 5.2.5 算法具体步骤 | 第72-73页 |
| 5.3 实验结果及分析 | 第73-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 本文工作总结 | 第78-79页 |
| 6.1.1 论文主要工作 | 第78-79页 |
| 6.1.2 论文创新点及主要贡献 | 第79页 |
| 6.2 研究工作展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻硕期间取得的研究成果 | 第86-87页 |