面向复杂场景的运动目标检测技术研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-26页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状及存在问题 | 第11-18页 |
| 1.2.1 研究现状 | 第11-14页 |
| 1.2.2 存在的挑战及问题 | 第14-18页 |
| 1.3 应用场景 | 第18-20页 |
| 1.4 常用测试数据集 | 第20-22页 |
| 1.4.1 传统数据集 | 第20-21页 |
| 1.4.2 现代数据集 | 第21-22页 |
| 1.5 算法量化评价指标 | 第22-23页 |
| 1.6 论文的主要研究内容 | 第23-24页 |
| 1.7 论文的结构安排 | 第24-26页 |
| 第二章 相关理论及研究综述 | 第26-42页 |
| 2.1 背景差分算法过程 | 第26-34页 |
| 2.1.1 背景建模 | 第26页 |
| 2.1.2 背景初始化 | 第26-27页 |
| 2.1.3 背景更新 | 第27-29页 |
| 2.1.4 前景检测 | 第29页 |
| 2.1.5 图像元素尺寸选择 | 第29页 |
| 2.1.6 图像特征 | 第29-34页 |
| 2.2 背景模型分类 | 第34-39页 |
| 2.2.1 经典背景模型 | 第34-36页 |
| 2.2.2 现代背景模型 | 第36-39页 |
| 2.3 本章小结 | 第39-42页 |
| 第三章 基于LSBP特征的样本一致性运动目标检测 | 第42-58页 |
| 3.1 问题概述 | 第42-43页 |
| 3.2 LSBP特征 | 第43-48页 |
| 3.3 基于LSBP特征的运动目标检测 | 第48-52页 |
| 3.4 实验结果与分析 | 第52-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于像素分类学习的混合高斯运动目标检测 | 第58-74页 |
| 4.1 问题概述 | 第58页 |
| 4.2 混合高斯模型及其不足 | 第58-60页 |
| 4.3 未来数据驱动的背景建模 | 第60-65页 |
| 4.3.1 基于“未来数据”的背景分类方法 | 第60-63页 |
| 4.3.2 基于LBP和LSBP的前景分类 | 第63-64页 |
| 4.3.3 学习率控制 | 第64-65页 |
| 4.4 实验与结果分析 | 第65-72页 |
| 4.4.1 学习率控制 | 第65-67页 |
| 4.4.2 12R数据集实验结果及分析 | 第67-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 基于在线低秩优化的运动目标检测 | 第74-100页 |
| 5.1 问题概述 | 第74页 |
| 5.2 基于低秩和稀疏分解的运动目标检测 | 第74-77页 |
| 5.2.1 本章算法与相关算法的关系 | 第76-77页 |
| 5.3 基于在线低秩优化的运动目标检测 | 第77-86页 |
| 5.3.1 符号说明 | 第78页 |
| 5.3.2 本章算法描述 | 第78-81页 |
| 5.3.3 基于在线低秩优化估计背景模型 | 第81-83页 |
| 5.3.4 在线前景检测 | 第83-86页 |
| 5.3.5 参数调整 | 第86页 |
| 5.3.6 算法收敛性说明 | 第86页 |
| 5.4 实验结果与分析 | 第86-99页 |
| 5.4.1 质量评估 | 第87-96页 |
| 5.4.2 量化评估 | 第96-98页 |
| 5.4.3 时间复杂度评估 | 第98-99页 |
| 5.5 本章小结 | 第99-100页 |
| 第六章 总结 | 第100-102页 |
| 6.1 总结 | 第100-101页 |
| 6.2 下一步工作 | 第101-102页 |
| 参考文献 | 第102-118页 |
| 攻读博士学位期间完成的科研成果 | 第118-120页 |
| 致谢 | 第120页 |
