基于RGB-D信息的显著物体检测
| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 视觉显著性的应用 | 第11页 |
| 1.3 国内外发展现状 | 第11-15页 |
| 1.3.1 眼动点预测 | 第12-13页 |
| 1.3.2 显著物体检测 | 第13-14页 |
| 1.3.3 RGB-D显著物体检测 | 第14-15页 |
| 1.4 技术难点 | 第15-16页 |
| 1.5 论文的主要工作与创新点 | 第16-17页 |
| 1.6 论文的结构安排 | 第17-18页 |
| 第二章 扩展2D方法到RGB-D方法 | 第18-34页 |
| 2.1 融合深度信息的图像过分割 | 第18-20页 |
| 2.2 2D显著物体检测算法 | 第20-30页 |
| 2.2.1 基于上下文和形状先验的显著物体检测 | 第20-21页 |
| 2.2.2 基于流形排序的显著物体检测 | 第21-24页 |
| 2.2.3 分级显著物体检测 | 第24-27页 |
| 2.2.4 基于稠密和稀疏重建的显著性检测 | 第27-30页 |
| 2.3 扩展的 2D显著性检测方法 | 第30-32页 |
| 2.3.1 框架介绍 | 第30页 |
| 2.3.2 基于多种上下文对比度的深度显著性 | 第30-32页 |
| 2.4 2D显著性与深度显著性融合 | 第32-34页 |
| 第三章 基于前景背景优化的RGB-D显著物体检测 | 第34-47页 |
| 3.1 多级前景建模 | 第34-38页 |
| 3.1.1 基于低层特征对比度的初始前景建模 | 第34-35页 |
| 3.1.2 中层区域聚合 | 第35-37页 |
| 3.1.3 高层先验融合 | 第37-38页 |
| 3.2 融合深度信息的背景建模 | 第38-44页 |
| 3.2.1 融合深度信息的边界连接度 | 第38页 |
| 3.2.2 融合深度信息的背景建模 | 第38-40页 |
| 3.2.3 背景图平滑 | 第40-44页 |
| 3.3 基于前景背景建模的显著值优化 | 第44-47页 |
| 3.3.1 优化函数设计 | 第44-45页 |
| 3.3.2 最小均方优化 | 第45-47页 |
| 第四章 基于随机森林学习的RGB-D显著物体检测 | 第47-56页 |
| 4.1 特征提取 | 第48-53页 |
| 4.1.1 纹理滤波器 | 第48-49页 |
| 4.1.2 颜色和深度直方图 | 第49-50页 |
| 4.1.3 LBP算子 | 第50-51页 |
| 4.1.4 区域对比度描述子 | 第51页 |
| 4.1.5 区域背景度量描述子 | 第51-52页 |
| 4.1.6 区域性质描述子 | 第52-53页 |
| 4.2 随机森林训练 | 第53页 |
| 4.3 多级显著值融合器的训练 | 第53-54页 |
| 4.4 贝叶斯融合 | 第54-56页 |
| 第五章 实验结果比较与分析 | 第56-63页 |
| 5.1 评价指标 | 第56-58页 |
| 5.2 测试数据库选择 | 第58页 |
| 5.3 定量结果分析 | 第58-60页 |
| 5.4 定性结果分析 | 第60-61页 |
| 5.5 结论 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 论文总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 发表论文和参加科研情况说明 | 第70-71页 |
| 致谢 | 第71-72页 |
