| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 目标检测研究现状 | 第7-8页 |
| 1.2.2 LARK研究现状 | 第8-9页 |
| 1.3 主要研究内容及章节安排 | 第9-11页 |
| 2 传统非监督的图像目标检测流程 | 第11-18页 |
| 2.1 图像预处理 | 第11-13页 |
| 2.1.1 图像噪声处理 | 第11-12页 |
| 2.1.2 图像增强 | 第12-13页 |
| 2.2 特征提取 | 第13-15页 |
| 2.2.1 SIFT(Scale invariant feature transform) | 第13-14页 |
| 2.2.2 LBP(Local Binary Patterns) | 第14-15页 |
| 2.2.3 经典核回归(Kernel Regression) | 第15页 |
| 2.3 特征相似性度量 | 第15-17页 |
| 2.4 本章小结 | 第17-18页 |
| 3 基于高斯差分算子的LARK特征 | 第18-25页 |
| 3.1 局部自适应回归核 | 第18页 |
| 3.2 视觉感受野机制 | 第18-21页 |
| 3.2.1 计算模型 | 第19-20页 |
| 3.2.2 感受野理论在目标检测领域的猜想 | 第20-21页 |
| 3.3 基于视觉特征的LARK特征重建 | 第21-22页 |
| 3.4 其他特征算子与GLARK的比较 | 第22-24页 |
| 3.5 本章小结 | 第24-25页 |
| 4 基于时域的GLARK目标检测模型 | 第25-42页 |
| 4.1 基于时域的三维GLARK特征 | 第25-27页 |
| 4.2 视频图像显著区域提取 | 第27-30页 |
| 4.2.1 传统的显著性检测 | 第27-28页 |
| 4.2.2 频率域的显著区域检测 | 第28-29页 |
| 4.2.3 显著方法对比 | 第29-30页 |
| 4.3 三维GLARK特征矩阵降维 | 第30-35页 |
| 4.3.1 待测视频特征抽取 | 第31-32页 |
| 4.3.2 模板集特征选择 | 第32-35页 |
| 4.4 时域相似性判断与匹配 | 第35-36页 |
| 4.5 实验结果分析 | 第36-41页 |
| 4.5.1 参数分析 | 第36-38页 |
| 4.5.2 实验对比 | 第38-40页 |
| 4.5.3 算法性能分析 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 5 基于多维LARK的目标检测模型 | 第42-54页 |
| 5.1 多维LARK特征 | 第42-43页 |
| 5.2 多维LARK和深度学习的结合 | 第43-46页 |
| 5.2.1 视频序列感兴趣区域提取 | 第44-45页 |
| 5.2.2 多维LARK特征匹配过程 | 第45-46页 |
| 5.3 并行优化的相似性结构判断 | 第46-48页 |
| 5.3.1 CUDA多线程原理 | 第46-47页 |
| 5.3.2 分布式并行编程步骤 | 第47-48页 |
| 5.4 实验结果 | 第48-53页 |
| 5.4.1 监控视频人体检测实验 | 第48-50页 |
| 5.4.2 车辆目标检测实验 | 第50-51页 |
| 5.4.3 IoU与时间分析 | 第51-52页 |
| 5.4.4 与监督模型对比 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 论文总结 | 第54页 |
| 6.2 工作中的不足与未来展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
