| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 行人检测与行人再识别的差异 | 第12页 |
| 1.1.3 课题研究的意义 | 第12-13页 |
| 1.2 行人再识别研究现状 | 第13-15页 |
| 1.2.1 行人再识别研究方法 | 第13-14页 |
| 1.2.2 行人再识别数据集 | 第14-15页 |
| 1.3 行人再识别的难点 | 第15-16页 |
| 1.4 论文的主要内容 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-19页 |
| 第2章 行人再识别相关技术 | 第19-26页 |
| 2.1 行人特征选择与提取 | 第19-24页 |
| 2.2 分类器的设计 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于FV量化行人特征的行人再识别方法 | 第26-41页 |
| 3.1 费希尔向量 | 第26-31页 |
| 3.1.1 空间池化 | 第26-29页 |
| 3.1.2 特征码提取 | 第29-30页 |
| 3.1.3 归一化 | 第30-31页 |
| 3.2 行人特征量化与再识别 | 第31-37页 |
| 3.2.1 监控视频预处理 | 第32页 |
| 3.2.2 行人图像分割与背景声消除 | 第32-33页 |
| 3.2.3 行人特征提取 | 第33-34页 |
| 3.2.4 FV局部描述子和带权重的FV | 第34-36页 |
| 3.2.5 再识别 | 第36-37页 |
| 3.3 实验分析 | 第37-39页 |
| 3.3.1 实验环境及评价标准 | 第37-38页 |
| 3.3.2 实验结果与分析 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于CNN特征与FV相结合的行人再识别方法 | 第41-57页 |
| 4.1 卷积神经网络 | 第41-45页 |
| 4.1.1 网络结构 | 第41-42页 |
| 4.1.2 卷积操作的意义 | 第42-44页 |
| 4.1.3 池化 | 第44-45页 |
| 4.2 基于CNN特征与FV加权结合的行人再识别 | 第45-50页 |
| 4.2.1 CNN特征选取 | 第46-48页 |
| 4.2.2 CNN特征与FV加权结合的再识别方法 | 第48-50页 |
| 4.3 实验分析 | 第50-56页 |
| 4.3.1 实验环境及评价标准 | 第50-51页 |
| 4.3.2 实验结果与分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 系统的设计和实现 | 第57-66页 |
| 5.1 开发环境 | 第57-58页 |
| 5.2 系统设计 | 第58-61页 |
| 5.2.1 系统分析 | 第58-59页 |
| 5.2.2 系统总体设计 | 第59-60页 |
| 5.2.3 系统结构设计 | 第60-61页 |
| 5.3 系统实现 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士期间的研究成果 | 第73页 |