| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究目的和意义 | 第11-12页 |
| 1.2 课题的国内外研究现状 | 第12-16页 |
| 1.2.1 目标跟踪的国内外研究现状 | 第12-14页 |
| 1.2.2 视觉显著性检测的国内外研究现状 | 第14-16页 |
| 1.3 目标跟踪的挑战和难点 | 第16-17页 |
| 1.4 课题研究内容及章节安排 | 第17-19页 |
| 第2章 课题相关理论知识 | 第19-31页 |
| 2.1 MeanShift算法理论及其在目标跟踪中的应用 | 第19-23页 |
| 2.1.1 无参数密度估计理论 | 第19-20页 |
| 2.1.2 MeanShift算法理论 | 第20-22页 |
| 2.1.3 基于MeanShift算法的目标跟踪方法 | 第22-23页 |
| 2.2 视觉显著性理论及HC显著性模型介绍 | 第23-28页 |
| 2.2.1 视觉显著性理论 | 第23-24页 |
| 2.2.2 颜色空间理论 | 第24-27页 |
| 2.2.3 HC模型的基本原理 | 第27-28页 |
| 2.3 Kalman滤波技术 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 时空信息融合的显著性检测模型 | 第31-51页 |
| 3.1 引言 | 第31页 |
| 3.2 空间域显著性检测模型 | 第31-36页 |
| 3.2.1 SLIC超像素分割 | 第32-33页 |
| 3.2.2 超像素级对比度特征提取 | 第33-35页 |
| 3.2.3 结合目标先验信息的空间域显著性检测模型 | 第35-36页 |
| 3.3 时域显著性检测模型 | 第36-41页 |
| 3.3.1 运动特征的提取 | 第37-40页 |
| 3.3.2 时域显著性特征提取 | 第40-41页 |
| 3.3.3 时域显著性检测模型的建立 | 第41页 |
| 3.4 时空域显著图的融合 | 第41-43页 |
| 3.5 实验仿真结果及分析 | 第43-49页 |
| 3.5.1 定性实验 | 第43-47页 |
| 3.5.2 定量实验 | 第47-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第4章 基于时空视觉显著性特征的目标跟踪算法 | 第51-63页 |
| 4.1 引言 | 第51页 |
| 4.2 基于时空视觉显著性特征的目标跟踪算法 | 第51-56页 |
| 4.2.1 显著性加权的反向投影图 | 第52-53页 |
| 4.2.2 MeanShift搜索目标 | 第53页 |
| 4.2.3 自适应调整收敛窗口 | 第53-54页 |
| 4.2.4 Kalman滤波预测目标位置 | 第54-55页 |
| 4.2.5 算法流程 | 第55-56页 |
| 4.3 实验结果与性能分析 | 第56-62页 |
| 4.3.1 实验结果 | 第57-61页 |
| 4.3.2 性能分析 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间所发表的论文和取得的科研成果 | 第71-73页 |
| 致谢 | 第73页 |
