基于显著性的运动目标检测算法研究
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-35页 |
| 1.1 课题背景及研究意义 | 第13-29页 |
| 1.1.1 运动目标检测 | 第14-19页 |
| 1.1.2 视觉注意机制 | 第19-23页 |
| 1.1.3 深度学习 | 第23-27页 |
| 1.1.4 人造目标检测 | 第27-29页 |
| 1.2 研究内容及主要贡献 | 第29-32页 |
| 1.3 本文的组织结构 | 第32-35页 |
| 第二章 基于时域信息的运动目标检测 | 第35-51页 |
| 2.1 引言 | 第35-36页 |
| 2.1.1 背景知识 | 第35-36页 |
| 2.1.2 解决方法概要及主要创新点 | 第36页 |
| 2.2 运动目标检测 | 第36-45页 |
| 2.2.1 计算显著图 | 第36-39页 |
| 2.2.2 选择种子点 | 第39-41页 |
| 2.2.3 运动目标分割 | 第41-45页 |
| 2.3 实验验证 | 第45-50页 |
| 2.4 本章小结 | 第50-51页 |
| 第三章 基于灰度差异的运动显著性检测 | 第51-69页 |
| 3.1 引言 | 第51-54页 |
| 3.1.1 背景知识 | 第51-52页 |
| 3.1.2 研究动机及解决方法概要 | 第52-54页 |
| 3.2 基于对称帧间差异的运动显著性检测 | 第54页 |
| 3.3 基于背景样本差异的运动显著性检测 | 第54-60页 |
| 3.3.1 背景模型初始化 | 第55-56页 |
| 3.3.2 运动显著性检测 | 第56页 |
| 3.3.3 背景模型更新 | 第56-60页 |
| 3.4 显著图融合 | 第60-61页 |
| 3.5 实验验证 | 第61-66页 |
| 3.5.1 算法性能分析 | 第61-63页 |
| 3.5.2 与已有方法的比较 | 第63-64页 |
| 3.5.3 基于显著图的运动目标分割 | 第64-66页 |
| 3.6 本章小结 | 第66-69页 |
| 第四章 基于深度学习的低照度环境下运动显著性检测 | 第69-85页 |
| 4.1 引言 | 第69-71页 |
| 4.1.1 背景知识 | 第69-71页 |
| 4.1.2 研究动机及主要创新点 | 第71页 |
| 4.2 深层网络模型结构 | 第71-77页 |
| 4.2.1 神经网络模型 | 第71-73页 |
| 4.2.2 卷积神经网络 | 第73-75页 |
| 4.2.3 设计模型结构 | 第75-77页 |
| 4.3 网络模型训练 | 第77-81页 |
| 4.4 实验验证 | 第81-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第五章 基于分形理论与活动轮廓模型的运动目标检测 | 第85-101页 |
| 5.1 引言 | 第85-87页 |
| 5.1.1 背景知识 | 第85-86页 |
| 5.1.2 研究动机及解决方法概要 | 第86-87页 |
| 5.2 运动显著性检测 | 第87-90页 |
| 5.2.1 分形理论 | 第87-88页 |
| 5.2.2 显著性检测 | 第88-90页 |
| 5.3 运动目标分割 | 第90-96页 |
| 5.4 实验验证 | 第96-98页 |
| 5.5 本章小结 | 第98-101页 |
| 第六章 总结与展望 | 第101-105页 |
| 6.1 全文总结 | 第101-102页 |
| 6.2 研究展望 | 第102-105页 |
| 致谢 | 第105-107页 |
| 参考文献 | 第107-133页 |
| 作者在学期间取得的学术成果 | 第133页 |
