| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 引言 | 第8-9页 |
| 1.2 课题研究背景和意义 | 第9-11页 |
| 1.3 行人再识别研究现状 | 第11-12页 |
| 1.4 行人再识别面临的主要挑战 | 第12-13页 |
| 1.5 本文研究内容及结构安排 | 第13-15页 |
| 第二章 无重叠视域多摄像机行人再识别概述 | 第15-21页 |
| 2.1 引言 | 第15页 |
| 2.2 手动特征法 | 第15-17页 |
| 2.3 基于深度学习的行人再识别算法 | 第17-18页 |
| 2.4 基于距离测度学习的行人再识别算法 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 基于姿态不变性的行人预处理 | 第21-32页 |
| 3.1 引言 | 第21-22页 |
| 3.2 基于图结构的行人检测 | 第22-27页 |
| 3.2.1 图结构概述 | 第22-23页 |
| 3.2.2 基于图结构的行人检测 | 第23-27页 |
| 3.3 基于PoseBox的行人预处理 | 第27-30页 |
| 3.4 实验及结果分析 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于属性特征和深度学习的行人再识别 | 第32-55页 |
| 4.1 引言 | 第32-33页 |
| 4.2 卷积神经网络与深度学习 | 第33-37页 |
| 4.3 基于属性学习和深度学习的行人识别 | 第37-47页 |
| 4.3.1 基于属性标注的数据集 | 第38-40页 |
| 4.3.2 评价标准 | 第40-41页 |
| 4.3.3 网络基础模型 | 第41-43页 |
| 4.3.4 网络框架 | 第43-47页 |
| 4.4 实验及结果分析 | 第47-53页 |
| 4.4.1 训练CPM模型 | 第47-48页 |
| 4.4.2 构建行人PoseBox数据集 | 第48-50页 |
| 4.4.3 基于属性特征的行人再识别实验结果及分析 | 第50-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 行人特征的相似度匹配 | 第55-63页 |
| 5.1 相似度匹配准则 | 第55-57页 |
| 5.1.1 直接距离法 | 第55-56页 |
| 5.1.2 基于学习的方法 | 第56-57页 |
| 5.2 行人特征处理 | 第57-59页 |
| 5.2.1 行人核投影 | 第57-58页 |
| 5.2.2 特征PCA降维 | 第58-59页 |
| 5.3 行人再识别测度矩阵的学习 | 第59-60页 |
| 5.4 实验结果与分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 研究工作总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 附录2 攻读硕士学位期间申请的专利 | 第71-72页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第72-73页 |
| 致谢 | 第73页 |