| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-32页 |
| 1.1 课题研究背景意义 | 第13-15页 |
| 1.2 国内外研究现状与发展趋势 | 第15-28页 |
| 1.2.1 问题描述 | 第15-18页 |
| 1.2.2 在计算机视觉领域目标识别技术的研究现状 | 第18-23页 |
| 1.2.3 在生物视觉领域目标识别技术的研究现状 | 第23-28页 |
| 1.3 本文主要研究内容 | 第28-30页 |
| 1.4 本文的组织结构 | 第30-32页 |
| 第二章 视觉认知特性和计算视觉模型 | 第32-44页 |
| 2.1 人类视觉认知处理机制 | 第32-36页 |
| 2.2 特征和统计学习模型 | 第36-39页 |
| 2.3 基于视觉认知的计算模型 | 第39-42页 |
| 2.3.1 神经网络模型 | 第39-40页 |
| 2.3.2 HTM模型 | 第40-41页 |
| 2.3.3 深度学习 | 第41-42页 |
| 2.4 本章小结 | 第42-44页 |
| 第三章 适应光照突变的目标识别 | 第44-54页 |
| 3.1 同态滤波处理光敏感 | 第44-45页 |
| 3.2 局部二值模式(LBP)纹理特征 | 第45-47页 |
| 3.3 自适应阈值和LBP联合特征 | 第47-49页 |
| 3.4 算法评价标准 | 第49-51页 |
| 3.5 实验结果与分析 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 基于外观和运动信息的目标识别 | 第54-64页 |
| 4.1 相关研究工作 | 第54-55页 |
| 4.2 基于外观信息的部件级目标检测 | 第55-57页 |
| 4.2.1 训练部分目标检测器 | 第55-56页 |
| 4.2.2 基于语义部件的重评分 | 第56-57页 |
| 4.3 基于运动信息的遮挡估计 | 第57-61页 |
| 4.3.1 光流图像的分割 | 第58-59页 |
| 4.3.2 遮挡估计 | 第59-61页 |
| 4.4 实验结果与分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 基于视皮层前馈模型的目标识别 | 第64-76页 |
| 5.1 相关工作研究 | 第64-66页 |
| 5.2 HMAX模型理论基础 | 第66-67页 |
| 5.2.1 S1层简单特征 | 第66-67页 |
| 5.2.2 C1层复杂特征 | 第67页 |
| 5.2.3 S2层合成特征 | 第67页 |
| 5.2.4 C2层综合特征 | 第67页 |
| 5.3 基于HMAX模型的多视角目标识别 | 第67-68页 |
| 5.3.1 简单单元层 | 第68页 |
| 5.3.2 复杂单元层 | 第68页 |
| 5.4 基于视觉不变性的训练学习 | 第68-71页 |
| 5.4.1 S2层的特征分片学习 | 第69-70页 |
| 5.4.2 S3层的视角学习 | 第70-71页 |
| 5.5 实验结果与分析 | 第71-74页 |
| 5.6 本章小结 | 第74-76页 |
| 第六章 基于Gabor和LIOP特征的多视角目标识别 | 第76-87页 |
| 6.1 引言 | 第76-77页 |
| 6.2 多视角检测系统工作原理与分析 | 第77-82页 |
| 6.2.1 Gabor特征提取 | 第77-79页 |
| 6.2.2 共有LIOP特征提取 | 第79-80页 |
| 6.2.3 特征降维 | 第80-82页 |
| 6.3 分类器设计 | 第82-83页 |
| 6.4 实验结果与分析 | 第83-86页 |
| 6.5 本章小结 | 第86-87页 |
| 第七章 总结与展望 | 第87-90页 |
| 7.1 工作与总结 | 第87-88页 |
| 7.2 本文主要创新点 | 第88-89页 |
| 7.3 深入与展望 | 第89-90页 |
| 致谢 | 第90-92页 |
| 参考文献 | 第92-106页 |
| 攻博期间取得的研究成果 | 第106-107页 |