| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 行人检测 | 第15-16页 |
| 1.2.2 运动目标跟踪 | 第16-18页 |
| 1.2.3 行人再识别 | 第18-19页 |
| 1.3 本文主要研究内容与结构安排 | 第19-22页 |
| 1.3.1 主要研究内容 | 第19-20页 |
| 1.3.2 结构安排 | 第20-22页 |
| 2 行人目标检测 | 第22-40页 |
| 2.1 基于HOG特征的行人检测方法 | 第22-28页 |
| 2.1.1 HOG特征 | 第23-26页 |
| 2.1.2 支持向量机 | 第26-28页 |
| 2.2 基于Faster R-CNN的行人检测方法 | 第28-32页 |
| 2.2.1 卷积神经网络 | 第29-31页 |
| 2.2.2 区域建议网络 | 第31-32页 |
| 2.3 实验结果与分析 | 第32-38页 |
| 2.3.1 数据集与评测指标 | 第32-33页 |
| 2.3.2 结果分析 | 第33-38页 |
| 2.4 本章小结 | 第38-40页 |
| 3 单摄像机下的运动目标跟踪 | 第40-57页 |
| 3.1 基于高效卷积操作和相关滤波器的运动目标跟踪方法(ECO方法) | 第40-44页 |
| 3.1.1 相关滤波器 | 第40-42页 |
| 3.1.2 高效卷积操作 | 第42-44页 |
| 3.2 一种基于ECO方法改进的运动目标跟踪方法 | 第44-48页 |
| 3.2.1 方法框架 | 第44-45页 |
| 3.2.2 置信度量 | 第45-47页 |
| 3.2.3 样本模型更新 | 第47-48页 |
| 3.3 实验结果与分析 | 第48-56页 |
| 3.3.1 数据集与评测指标 | 第48-50页 |
| 3.3.2 定量分析 | 第50-53页 |
| 3.3.3 定性分析 | 第53-56页 |
| 3.4 本章小结 | 第56-57页 |
| 4 跨摄像机的行人再识别 | 第57-71页 |
| 4.1 人体姿态估计与角度分析 | 第57-60页 |
| 4.1.1 人体姿态估计 | 第57-59页 |
| 4.1.2 人体角度分析 | 第59-60页 |
| 4.2 基于角度匹配与部件分割的行人再识别方法 | 第60-67页 |
| 4.2.1 人体部件分割 | 第62-63页 |
| 4.2.2 特征提取与融合 | 第63-66页 |
| 4.2.3 度量学习 | 第66-67页 |
| 4.3 实验结果与分析 | 第67-70页 |
| 4.3.1 数据集与评测指标 | 第67-68页 |
| 4.3.2 结果分析 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 5 跨摄像机行人跟踪软件设计与实现 | 第71-82页 |
| 5.1 开发环境 | 第71页 |
| 5.2 需求分析 | 第71页 |
| 5.3 软件设计与实现 | 第71-81页 |
| 5.3.1 行人检测模块 | 第72-74页 |
| 5.3.2 运动目标跟踪模块 | 第74-76页 |
| 5.3.3 行人再识别模块 | 第76-79页 |
| 5.3.4 跨摄像机行人连续跟踪模块 | 第79-81页 |
| 5.4 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 在学研究成果 | 第91-92页 |
| 致谢 | 第92页 |