| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-13页 |
| 表格索引 | 第13-14页 |
| 图形索引 | 第14-16页 |
| 第一章 绪论 | 第16-30页 |
| ·论文的研究背景和意义 | 第16-18页 |
| ·当前视频目标检测和识别的困难之处 | 第18-20页 |
| ·国内外研究现状 | 第20-27页 |
| ·视频目标检测研究现状 | 第20-23页 |
| ·视频目标识别研究现状 | 第23-27页 |
| ·论文的研究内容及创新点 | 第27-30页 |
| ·论文的研究内容 | 第27页 |
| ·论文的创新点 | 第27-30页 |
| 第二章 基于自适应模糊估计的背景建模方法 | 第30-50页 |
| ·引言 | 第30-31页 |
| ·对背景建模方法的讨论 | 第31-34页 |
| ·基于自适应模糊估计的背景建模方法 | 第34-43页 |
| ·基于 PSO 和 RLSE 的模糊估计算子 | 第34-37页 |
| ·基于函数估计的背景建模 | 第37-39页 |
| ·前景的判断 | 第39-40页 |
| ·背景更新策略 | 第40页 |
| ·降噪处理 | 第40-42页 |
| ·算法的总体流程 | 第42-43页 |
| ·实验结果及分析 | 第43-49页 |
| ·不同场景下的背景提取 | 第44-45页 |
| ·与其他算法的定性比较 | 第45-48页 |
| ·与其他算法的定量比较 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 基于模糊积分的运动阴影检测方法 | 第50-68页 |
| ·引言 | 第50-51页 |
| ·当前的阴影检测算法介绍 | 第51-53页 |
| ·基于先验知识的阴影检测 | 第51页 |
| ·基于纹理的阴影检测 | 第51-52页 |
| ·基于阴影属性的阴影检测 | 第52页 |
| ·基于多特征融合的阴影检测 | 第52-53页 |
| ·模糊测度和模糊积分 | 第53-55页 |
| ·模糊测度 | 第53-55页 |
| ·模糊积分 | 第55页 |
| ·基于 Choquet 模糊积分的阴影检测算法介绍 | 第55-61页 |
| ·特征的选择 | 第55-57页 |
| ·前景提取 | 第57-58页 |
| ·相似性测度的定义 | 第58-59页 |
| ·基于 Choquet 积分的多特征融合的阴影检测 | 第59-60页 |
| ·后续处理 | 第60页 |
| ·算法的总体流程 | 第60-61页 |
| ·实验结果及分析 | 第61-66页 |
| ·阴影检测的结果 | 第62-65页 |
| ·与其他算法的定量对比分析 | 第65-66页 |
| ·本章小结 | 第66-68页 |
| 第四章 基于 JointBoost I2C 距离度量的目标分类方法 | 第68-86页 |
| ·引言 | 第68-69页 |
| ·对图像到类（I2C）距离分类方法的讨论 | 第69-71页 |
| ·优化图像到类（I2C）的距离 | 第71-73页 |
| ·JointBoost 算法介绍 | 第73-76页 |
| ·基于 JointBoost I2C 距离度量的目标分类方法 | 第76-78页 |
| ·基于 I2C 的弱分类器设计 | 第76页 |
| ·融合空间信息 | 第76-77页 |
| ·算法的实现思路 | 第77-78页 |
| ·实验结果及分析 | 第78-84页 |
| ·样本集的选取 | 第79页 |
| ·原型特征集大小和弱分类器数量对分类结果的影响 | 第79-81页 |
| ·视频目标分类实验 | 第81-82页 |
| ·图像分类实验 | 第82-84页 |
| ·本章小结 | 第84-86页 |
| 第五章 基于特征码本树和能量最小化的目标识别方法 | 第86-100页 |
| ·引言 | 第86-87页 |
| ·局部特征提取及表示 | 第87-90页 |
| ·特征过滤 | 第87-89页 |
| ·特征表示 | 第89-90页 |
| ·特征码本树的构建及匹配 | 第90-91页 |
| ·目标的检测和识别 | 第91-94页 |
| ·问题建模 | 第91-93页 |
| ·目标识别 | 第93页 |
| ·算法实现的总体流程图 | 第93-94页 |
| ·实验结果及其分析 | 第94-98页 |
| ·本章算法在 UIUC 汽车数据库上的实验评价 | 第94-96页 |
| ·本章算法在 Caltech 101 图像数据库上的实验评价 | 第96-98页 |
| ·本章小结 | 第98-100页 |
| 第六章 基于优化 Hough 森林代价损失的目标识别方法 | 第100-118页 |
| ·引言 | 第100-102页 |
| ·经典 Hough 森林的目标识别方法 | 第102-105页 |
| ·Hough 森林的总体实现思路 | 第102-103页 |
| ·构建 Hough 森林 | 第103-104页 |
| ·目标识别 | 第104-105页 |
| ·基于优化 Hough 森林代价损失的目标识别方法 | 第105-112页 |
| ·改进的偏移量不确定性度量 | 第105-106页 |
| ·代价损失问题建模 | 第106-107页 |
| ·随机树代价损失建模 | 第107-108页 |
| ·Hough 森林代价损失建模 | 第108-109页 |
| ·Hough 森林在线更新 | 第109-110页 |
| ·算法的实现步骤 | 第110-112页 |
| ·实验结果及分析 | 第112-116页 |
| ·样本集选取 | 第112-113页 |
| ·检测性能评估 | 第113-116页 |
| ·本章小结 | 第116-118页 |
| 论文成果总结与展望 | 第118-121页 |
| 1 论文成果总结 | 第118-119页 |
| 2 研究展望 | 第119-121页 |
| 参考文献 | 第121-135页 |
| 攻读博士学位期间取得的研究成果 | 第135-138页 |
| 致谢 | 第138-139页 |
| 附件 | 第139页 |
