监控视频中基于显著运动的目标检测算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 显著性检测的研究现状 | 第10-12页 |
| 1.2.2 运动目标检测的研究现状 | 第12-13页 |
| 1.3 本文研究的创新点及主要工作 | 第13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 1.5 本章总结 | 第14-15页 |
| 第二章 显著性检测算法研究 | 第15-37页 |
| 2.1 人类视觉注意机制及相关特征 | 第15-20页 |
| 2.2 典型的显著性检测算法模型 | 第20-29页 |
| 2.2.1 Itti算法 | 第20-21页 |
| 2.2.2 GBVS算法 | 第21-22页 |
| 2.2.3 CA算法 | 第22-24页 |
| 2.2.4 UFO算法 | 第24-25页 |
| 2.2.5 FT算法 | 第25-26页 |
| 2.2.6 HC算法 | 第26-27页 |
| 2.2.7 RBD算法 | 第27-28页 |
| 2.2.8 QCut算法 | 第28-29页 |
| 2.3 基于带权有向图的图像显著性检测方法 | 第29-34页 |
| 2.3.1 Canny算子 | 第29-30页 |
| 2.3.2 超像素分割 | 第30-31页 |
| 2.3.3 构建带权有向图 | 第31-32页 |
| 2.3.4 获取前景区域 | 第32-33页 |
| 2.3.5 空域显著图 | 第33-34页 |
| 2.4 算法性能分析 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 运动目标检测算法研究 | 第37-57页 |
| 3.1 现有运动目标检测算法介绍 | 第37-44页 |
| 3.1.1 帧间差分法 | 第37-38页 |
| 3.1.2 背景减法 | 第38-41页 |
| 3.1.3 光流法 | 第41-42页 |
| 3.1.4 轨迹二分类法 | 第42-44页 |
| 3.2 基于建模的目标检测算法 | 第44-52页 |
| 3.2.1 基于混合高斯模型的目标检测算法 | 第44-47页 |
| 3.2.2 CodeBook算法 | 第47-50页 |
| 3.2.3 ViBe算法 | 第50-52页 |
| 3.3 本文时域目标检测方法 | 第52-55页 |
| 3.3.1 基于像素的采样式背景建模 | 第52-54页 |
| 3.3.2 获取时域的运动显著值 | 第54页 |
| 3.3.3 实验结果 | 第54-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第四章 融合时空显著性的目标检测算法 | 第57-67页 |
| 4.1 空域和时域显著性融合 | 第57-59页 |
| 4.1.1 现有显著图融合方法 | 第57-58页 |
| 4.1.2 本文动态融合方法 | 第58-59页 |
| 4.2 仿真实验分析 | 第59-60页 |
| 4.3 算法对比分析 | 第60-65页 |
| 4.3.1 实验数据库 | 第60-61页 |
| 4.3.2 直观效果对比实验 | 第61-64页 |
| 4.3.3 客观评价指标 | 第64-65页 |
| 4.4 本章总结 | 第65-67页 |
| 第五章 总结及展望 | 第67-69页 |
| 5.1 工作总结 | 第67页 |
| 5.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
