| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第1章 绪论 | 第8-18页 |
| ·课题研究意义 | 第8-9页 |
| ·国内外研究现状及发展趋势 | 第9-12页 |
| ·视频对象分割的算法框架及客观评价 | 第12-16页 |
| ·视频对象分割的算法框架 | 第12-13页 |
| ·视频对象分割的客观评价 | 第13-16页 |
| ·本文的主要研究工作和结构安排 | 第16-18页 |
| 第2章 视频对象分割方法理论与应用 | 第18-30页 |
| ·分水岭算法 | 第18-19页 |
| ·光流法 | 第19-20页 |
| ·背景消减法 | 第20-29页 |
| ·背景消减法的原理 | 第20-22页 |
| ·帧间差分背景消减法 | 第22-24页 |
| ·近似中值背景消减法 | 第24-26页 |
| ·背景建模法 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于高斯混合模型的视频对象分割 | 第30-43页 |
| ·高斯混合模型的基本概念 | 第30-34页 |
| ·EM算法基本原理 | 第30-32页 |
| ·高斯混合背景模型典型算法 | 第32-34页 |
| ·各种改进的高斯混合模型算法 | 第34-38页 |
| ·聚类算法与传统高斯混合模型结合法 | 第34-36页 |
| ·前景支撑映射法 | 第36页 |
| ·改进更新方程法 | 第36-38页 |
| ·基于高斯混合模型视频对象分割算法 | 第38-41页 |
| ·高斯混合模型算法方案 | 第38-39页 |
| ·学习速率选择问题 | 第39-40页 |
| ·阈值选择问题 | 第40-41页 |
| ·实验结果与分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 支持向量机在视频对象分割中的应用 | 第43-60页 |
| ·机器学习的基本问题 | 第43-45页 |
| ·学习问题的一般表示 | 第43-44页 |
| ·经验风险最小化 | 第44-45页 |
| ·复杂性与推广能力 | 第45页 |
| ·统计学习理论 | 第45-48页 |
| ·VC维 | 第46页 |
| ·推广性的界 | 第46-47页 |
| ·结构风险最小化 | 第47-48页 |
| ·支持向量机 | 第48-51页 |
| ·最优分类超平面 | 第48-50页 |
| ·非线性支持向量机 | 第50-51页 |
| ·基于支持向量机的视频运动对象分割 | 第51-57页 |
| ·支持向量机视频运动对象分割算法方案 | 第52-53页 |
| ·特征选取方法 | 第53-55页 |
| ·核函数的选取 | 第55页 |
| ·分类器优化 | 第55-57页 |
| ·实验结果及分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 支持向量机和高斯混合模型的运动图像分割及仿真实验 | 第60-69页 |
| ·方案设计 | 第60-61页 |
| ·实验结果及分析 | 第61-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| ·全文总结 | 第69页 |
| ·进一步研究工作与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第75-76页 |
| 致谢 | 第76页 |