| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 应用前景 | 第9-10页 |
| 1.1.3 研究意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 传统视觉描述子方法 | 第13-14页 |
| 1.2.2 深度学习方法 | 第14-15页 |
| 1.2.3 度量学习方法 | 第15-16页 |
| 1.2.4 特征变换方法 | 第16页 |
| 1.3 本文主要的研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 相关理论介绍 | 第19-31页 |
| 2.1 行人重识别系统框架介绍 | 第19页 |
| 2.2 图像底层特征提取方法介绍 | 第19-24页 |
| 2.2.1 颜色特征提取 | 第20-21页 |
| 2.2.2 纹理特征提取 | 第21-24页 |
| 2.3 特征降维方法介绍 | 第24-25页 |
| 2.4 流形学习算法介绍 | 第25-26页 |
| 2.5 流形对齐算法介绍 | 第26-27页 |
| 2.6 深度卷积神经网络介绍 | 第27-29页 |
| 2.6.1 卷积层 | 第27-28页 |
| 2.6.2 池化层 | 第28页 |
| 2.6.3 ReLU层 | 第28-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 基于流形对齐的行人重识别算法 | 第31-41页 |
| 3.1 稠密特征提取 | 第32-33页 |
| 3.2 特征降维 | 第33-36页 |
| 3.3 特征变换 | 第36-39页 |
| 3.3.1 公共潜空间嵌入 | 第36-37页 |
| 3.3.2 构建代价函数 | 第37-39页 |
| 3.4 特征匹配 | 第39页 |
| 3.5 算法复杂度分析 | 第39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于多通道深度卷积网络的行人重识别算法 | 第41-47页 |
| 4.1 通道划分模块 | 第41-42页 |
| 4.2 独立残差子网模块 | 第42-43页 |
| 4.3 融合模块 | 第43-44页 |
| 4.4 带约束的三重损失函数 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 实验与分析 | 第47-55页 |
| 5.1 行人重识别数据集 | 第47-48页 |
| 5.2 行人重识别算法的评价标准 | 第48-49页 |
| 5.3 实验流程及实验分析 | 第49-53页 |
| 5.3.1 基于流形对齐的行人重识别算法实验 | 第49-51页 |
| 5.3.2 基于多通道深度卷积融合网络的行人重识别算法实验 | 第51-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第6章 工作总结与展望 | 第55-57页 |
| 6.1 论文工作总结 | 第55页 |
| 6.2 未来工作展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 研究生期间研究成果情况 | 第65页 |
| 1 硕士期间发表论文情况 | 第65页 |
| 2 硕士期间科研竞赛奖励情况 | 第65页 |