| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 特征表示 | 第11-12页 |
| 1.2.2 距离度量 | 第12-14页 |
| 1.3 课题研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 2 行人重识别中的相关技术介绍 | 第17-27页 |
| 2.1 卷积神经网络相关介绍 | 第17-22页 |
| 2.1.1 神经网络和深度学习 | 第17-19页 |
| 2.1.2 卷积神经网络 | 第19-20页 |
| 2.1.3 卷积神经网络主要结构 | 第20-22页 |
| 2.2 距离度量相关方法 | 第22-25页 |
| 2.2.1 传统距离度量学习方法 | 第22-23页 |
| 2.2.2 KISSME方法 | 第23-24页 |
| 2.2.3 XQDA方法 | 第24-25页 |
| 2.3 行人重识别主要方法介绍 | 第25-26页 |
| 2.3.1 IDE(ID-discriminativeEmbedding) | 第25-26页 |
| 2.3.2 LOMO(LocalMaximalOccurrence) | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于卷积神经网络和混合高斯的行人重识别 | 第27-41页 |
| 3.1 算法框架 | 第28-29页 |
| 3.2 网络结构和CNN特征提取 | 第29-34页 |
| 3.2.1 网络结构——ResNet | 第29-32页 |
| 3.2.2 模型训练 | 第32-34页 |
| 3.2.3 特征提取 | 第34页 |
| 3.3 字典生成和混合高斯模型建立 | 第34-38页 |
| 3.3.1 字典生成 | 第34-35页 |
| 3.3.2 混合高斯模型 | 第35-36页 |
| 3.3.3 混合高斯模型具体构建过程及特征处理过程 | 第36-38页 |
| 3.4 距离度量 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 实验结果与分析 | 第41-57页 |
| 4.1 相关数据集介绍 | 第41-42页 |
| 4.2 实验环境 | 第42-43页 |
| 4.3 评价指标 | 第43页 |
| 4.4 实验结果与分析 | 第43-55页 |
| 4.4.1 高斯个数一定,不同摄像头两两结果对比 | 第44-51页 |
| 4.4.2 摄像头相同,不同高斯个数结果对比 | 第51-52页 |
| 4.4.3 跨数据集结果对比 | 第52-53页 |
| 4.4.4 不区分摄像头,不同行人结果对比 | 第53-54页 |
| 4.4.5 主观结果分析 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-63页 |
