面向移动目标检测的天气场景建模方法
摘要 | 第1-6页 |
Abstract | 第6-14页 |
第1章 绪论 | 第14-33页 |
·研究的背景及意义 | 第14-15页 |
·带有复杂天气环境场景建模的通用研究框架 | 第15-23页 |
·天气场景建模的通用研究框架 | 第15-17页 |
·应用及存在的问题 | 第17-21页 |
·建立通用研究框架的方法论解释 | 第21-23页 |
·天气场景建模的研究现状 | 第23-29页 |
·背景区域分割 | 第23-25页 |
·天气环境分类 | 第25-26页 |
·天气场景建模 | 第26-28页 |
·场景建模的应用 | 第28-29页 |
·论文的主要研究内容 | 第29-33页 |
第2章 基于多示例的场景动态区域分割 | 第33-48页 |
·引言 | 第33-34页 |
·动态区域分割的多示例描述 | 第34-37页 |
·包与示例的描述 | 第34-35页 |
·示例特征提取 | 第35-37页 |
·多示例动态区域分割方法 | 第37-41页 |
·示例排序 | 第37页 |
·包距离度量 | 第37-40页 |
·多示例K均值聚类 | 第40-41页 |
·实验结果及分析 | 第41-46页 |
·定性实验 | 第42页 |
·定量实验 | 第42-46页 |
·本章小结 | 第46-48页 |
第3章 带有复杂天气环境的场景分类 | 第48-66页 |
·引言 | 第48-49页 |
·假设及分类框架 | 第49-53页 |
·特征提取 | 第53-60页 |
·时间特征 | 第53-56页 |
·空间特征 | 第56-58页 |
·彩色特征 | 第58-60页 |
·分类器设计 | 第60-61页 |
·实验结果及分析 | 第61-65页 |
·特征选择对比实验 | 第61页 |
·分类器测试实验 | 第61-62页 |
·实验结果分析 | 第62-65页 |
·本章小结 | 第65-66页 |
第4章 基于变化时间窗的动态天气环境去除 | 第66-77页 |
·引言 | 第66-67页 |
·相关的研究工作 | 第67-68页 |
·动态天气环境的检测和去除 | 第68-72页 |
·基于K均值聚类的离线学习 | 第68页 |
·基于高斯分布的在线学习 | 第68-71页 |
·动态天气环境去除 | 第71-72页 |
·实验结果及分析 | 第72-76页 |
·本章小结 | 第76-77页 |
第5章 针对户外光照变化的自回归——纹理模型 | 第77-91页 |
·引言 | 第77-78页 |
·理论背景及前景检测框架 | 第78-80页 |
·AR模型回顾 | 第79页 |
·基于TAR模型的前景检测框架 | 第79-80页 |
·自回归——纹理模型 | 第80-84页 |
·平稳性预处理 | 第81-82页 |
·基于AR模型的快速背景估计 | 第82-83页 |
·背景纹理模型 | 第83-84页 |
·基于亮度和纹理置信区间的前景检测 | 第84页 |
·实验结果及分析 | 第84-90页 |
·本章小结 | 第90-91页 |
第6章 面向移动目标检测的分段记忆模型 | 第91-115页 |
·引言 | 第91-93页 |
·隐喻和假设 | 第93-97页 |
·基于GMM的背景剪除回顾 | 第93-94页 |
·认知心理学隐喻 | 第94-96页 |
·背景剪除的假设 | 第96-97页 |
·分段平稳性检验 | 第97-99页 |
·分段逆序数检验 | 第97-99页 |
·背景光照变化的识别 | 第99页 |
·基于GMM的记忆框架 | 第99-104页 |
·实时的状态记录 | 第100页 |
·空间背景记忆 | 第100-102页 |
·全局差记忆 | 第102页 |
·P-MGMM框架 | 第102-104页 |
·实验结果及分析 | 第104-113页 |
·数据集选择 | 第104-106页 |
·参数选择 | 第106-107页 |
·定性实验 | 第107页 |
·定量实验 | 第107-113页 |
·本章小结 | 第113-115页 |
结论 | 第115-117页 |
参考文献 | 第117-128页 |
附录A 数学推导 | 第128-130页 |
A.1 AR模型阶系数的递推估计 | 第128-129页 |
A.2 分段逆序总数的方差 | 第129-130页 |
攻读博士学位期间发表的论文及其他成果 | 第130-133页 |
致谢 | 第133-135页 |
个人简历 | 第135-136页 |