| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 引言 | 第9-10页 |
| 1.2 行人再识别研究现状 | 第10-12页 |
| 1.3 行人再识别面临的挑战 | 第12-13页 |
| 1.4 论文的研究内容及结构 | 第13-15页 |
| 第二章 行人再识别相关工作 | 第15-30页 |
| 2.1 行人再识别系统流程 | 第15页 |
| 2.2 行人检测 | 第15-19页 |
| 2.2.1 去背景分割 | 第15-16页 |
| 2.2.2 行人检测 | 第16-19页 |
| 2.2.3 阴影消除 | 第19页 |
| 2.3 特征提取 | 第19-24页 |
| 2.3.1 颜色 | 第19-20页 |
| 2.3.2 纹理 | 第20-21页 |
| 2.3.3 协方差 | 第21-22页 |
| 2.3.4 空间信息 | 第22-24页 |
| 2.4 相似度度量 | 第24-27页 |
| 2.5 性能评价准则 | 第27-28页 |
| 2.6 常用数据库 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于多显著性融合的行人再识别 | 第30-40页 |
| 3.1 特征块的对齐 | 第30-32页 |
| 3.1.1 直方图均衡化 | 第30-31页 |
| 3.1.2 特征块的对齐 | 第31-32页 |
| 3.2 基于流形排序的显著性学习 | 第32-35页 |
| 3.2.1 流行排序模型 | 第32-33页 |
| 3.2.2 基于流形排序的内在显著性计算 | 第33-34页 |
| 3.2.3 局部块显著性融合 | 第34-35页 |
| 3.3 图像对相似性的测量 | 第35-36页 |
| 3.4 实验结果及其分析 | 第36-39页 |
| 3.4.1 显著性分析 | 第36-37页 |
| 3.4.2 再识别结果分析 | 第37-39页 |
| 3.5 本章总结 | 第39-40页 |
| 第四章 基于多方向显著性权值学习的行人再识别 | 第40-53页 |
| 4.1 多方向显著性度量学习综述 | 第40-41页 |
| 4.2 基于多方向显著性的相似度 | 第41-43页 |
| 4.2.1 多方向显著性分析 | 第41-42页 |
| 4.2.2 基于多方向显著性的相似度 | 第42-43页 |
| 4.3 多方向显著性权值的学习 | 第43-46页 |
| 4.3.1 基于结构SVM的多方向显著性权值学习 | 第43-45页 |
| 4.3.2 多方向显著性权值结果比较 | 第45-46页 |
| 4.4 实验结果及其分析 | 第46-52页 |
| 4.4.1 VIPeR数据库结果及分析 | 第46-49页 |
| 4.4.2 ETHZ数据库结果及分析 | 第49-50页 |
| 4.4.3 CUHK数据库结果及分析 | 第50-52页 |
| 4.5 本章总结 | 第52-53页 |
| 第五章 基于增量式线性判别分析的行人再识别 | 第53-65页 |
| 5.1 KISSME度量学习算法 | 第53-54页 |
| 5.2 基于增量式线性判别分析的KISSME度量学习算法 | 第54-57页 |
| 5.2.1 线性判别分析简介 | 第54-56页 |
| 5.2.2 基于线性判别分析的KISSME度量学习 | 第56-57页 |
| 5.2.3 基于增量式线性判别分析的KISSME度量学习 | 第57页 |
| 5.3 实验结果及其分析 | 第57-64页 |
| 5.3.1 VIPeR数据库结果及分析 | 第58-61页 |
| 5.3.2 ETHZ数据库结果及分析 | 第61-62页 |
| 5.3.3 CUHK数据库结果及分析 | 第62-64页 |
| 5.4 本章总结 | 第64-65页 |
| 主要结论与展望 | 第65-67页 |
| 主要工作总结 | 第65-66页 |
| 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第73页 |
