首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

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

论文共136页,点击 下载论文
上一篇:基于面部信息的驾驶者疲劳状态分类方法研究
下一篇:P2P文件共享系统安全性研究