| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 计算机视觉的发展简介 | 第7页 |
| 1.2 运动目标物体检测问题的研究背景及国内外发展现状 | 第7-11页 |
| 1.3 本论文的主要内容及章节编排 | 第11-14页 |
| 第2章 多模态增量学习的理论基础及框架 | 第14-22页 |
| 2.1 多模态增量学习简介 | 第14-15页 |
| 2.2 理论基础 | 第15-18页 |
| 2.2.1 图像预处理 | 第15页 |
| 2.2.2 特征提取 | 第15-17页 |
| 2.2.3 图像后处理 | 第17-18页 |
| 2.3 多模态增量学习框架流程 | 第18-22页 |
| 2.3.1 无学习模型 | 第18页 |
| 2.3.2 普通学习模型 | 第18-19页 |
| 2.3.3 在线增量学习 | 第19-20页 |
| 2.3.4 离线增量学习 | 第20-22页 |
| 第3章 基于分类的增量学习模型 | 第22-28页 |
| 3.1 分类的标准以及支持向量机 | 第22-23页 |
| 3.2 支持向量机基本理论 | 第23-25页 |
| 3.2.1 最优超平面 | 第23-24页 |
| 3.2.2 核函数 | 第24-25页 |
| 3.2.3 松弛变量处理 | 第25页 |
| 3.3 基于支持向量机的增量学习 | 第25-28页 |
| 3.3.1 LIBSVM下的支持向量机普通学习 | 第26页 |
| 3.3.2 LIBSVM下的支持向量机在线增量学习 | 第26页 |
| 3.3.3 LIBSVM下的支持向量机离线增量学习 | 第26-28页 |
| 第4章 基于聚类的增量学习模型 | 第28-36页 |
| 4.1 聚类的基本介绍 | 第28-29页 |
| 4.2 常见的传统聚类方法 | 第29-32页 |
| 4.2.1 最近邻算法 | 第29-30页 |
| 4.2.2 K-means（K均值聚类） | 第30-31页 |
| 4.2.3 竞争学习算法(Competitive Learning) | 第31-32页 |
| 4.3 谱聚类 | 第32-34页 |
| 4.4 谱聚类增量学习框架 | 第34-36页 |
| 4.4.1 谱聚类普通学习框架 | 第34页 |
| 4.4.2 谱聚类在线增量学习框架 | 第34页 |
| 4.4.3 谱聚类离线增量学习框架 | 第34-36页 |
| 第5章 实验流程及结果分析 | 第36-51页 |
| 5.1 实验手段 | 第36-37页 |
| 5.1.1 数据收集 | 第36页 |
| 5.1.2 实验平台 | 第36-37页 |
| 5.1.3 Open CV介绍 | 第37页 |
| 5.2 实验流程 | 第37-38页 |
| 5.3 实验预测结果分析 | 第38-46页 |
| 5.3.1 棕色轿车运动目标检测实验结果展示及分析 | 第38-40页 |
| 5.3.2 热带鱼运动目标检测实验结果展示及分析 | 第40-41页 |
| 5.3.3 骑摩托车运动目标检测实验结果展示及分析 | 第41-43页 |
| 5.3.4 扶自行车的男人运动目标检测实验结果展示及分析 | 第43-45页 |
| 5.3.5 蓝色衣物运动目标检测实验结果展示及分析 | 第45-46页 |
| 5.4 统计学分析 | 第46-51页 |
| 5.4.1 统计箱图定性分析 | 第46-48页 |
| 5.4.2 对比试验结果与定量分析 | 第48-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果 | 第57页 |
