| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 引言 | 第13页 |
| 1.2 研究背景与意义 | 第13-15页 |
| 1.3 国内外发展现状 | 第15-16页 |
| 1.4 研究内容及论文结构安排 | 第16-18页 |
| 第二章 基于生物视觉系统的显著性检测分析及显著图的生成 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 基于生物视觉系统的显著性检测 | 第18-25页 |
| 2.2.1 自底而上的注意力机制 | 第18-22页 |
| 2.2.2 自顶而下的注意力机制 | 第22-24页 |
| 2.2.3 自底而上和自顶而下的注意力机制相结合 | 第24-25页 |
| 2.3 基于自底而上和自顶而下机制相结合的显著图生成 | 第25-28页 |
| 2.3.1 显著图的生成 | 第25-28页 |
| 2.4 实验结果与分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于分割算法和主题模型的原目标检测 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 原目标(proto-objects)的定义 | 第31-32页 |
| 3.3 基于分割算法和主题模型的原目标检测 | 第32-39页 |
| 3.3.1 分割方法的选择 | 第32-36页 |
| 3.3.2 主题模型及其计算 | 第36-37页 |
| 3.3.3 原目标检测 | 第37-39页 |
| 3.4 实验结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于改进的PLSA模型的原目标检测 | 第43-49页 |
| 4.1 引言 | 第43页 |
| 4.2 基于ML-PLSA模型的原目标检测 | 第43-45页 |
| 4.2.1 ML-PLSA模型 | 第43-44页 |
| 4.2.2 基于多种分割算法和ML-PLSA模型的原目标检测 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于原目标检测的视觉目标跟踪 | 第49-68页 |
| 5.1 引言 | 第49页 |
| 5.2 数学模型 | 第49-53页 |
| 5.2.1 贝叶斯滤波框架与卡尔曼滤波 | 第49-52页 |
| 5.2.2 MCMC(Markov chain Monte Carlo)算法与吉布斯抽样 | 第52-53页 |
| 5.3 基于原目标检测的视觉跟踪 | 第53-59页 |
| 5.3.1 初始化 | 第54-55页 |
| 5.3.2 模型表达 | 第55-57页 |
| 5.3.3 优化算法 | 第57-59页 |
| 5.4 实验与分析 | 第59-67页 |
| 5.4.1 实验算法 | 第59-61页 |
| 5.4.2 实验结果与分析 | 第61-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-71页 |
| 6.1 论文工作总结 | 第68-69页 |
| 6.2 论文的不足与下一步展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 在学期间的研究成果及发表的学术论文 | 第77页 |
