| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 引言 | 第14-15页 |
| 1.2 课题研究的背景和意义 | 第15-16页 |
| 1.3 无重叠视域多摄像机行人再识别的研究现状 | 第16-17页 |
| 1.4 无重叠视域多摄像机行人再识别的技术难点 | 第17-18页 |
| 1.5 本文的主要工作及创新点 | 第18-20页 |
| 第二章 无重叠视域多摄像机行人再识别概述 | 第20-27页 |
| 2.1 引言 | 第20页 |
| 2.2 基于手工设计特征的行人再识别 | 第20-22页 |
| 2.3 基于距离测度学习的行人再识别 | 第22-24页 |
| 2.4 基于深度学习的行人再识别 | 第24-26页 |
| 2.5 本章总结 | 第26-27页 |
| 第三章 融合生成对抗网络和姿态估计的视频行人再识别 | 第27-50页 |
| 3.1 引言 | 第27-28页 |
| 3.2 人工神经网络 | 第28-33页 |
| 3.2.1 卷积神经网络 | 第28-31页 |
| 3.2.2 循环神经网络 | 第31-32页 |
| 3.2.3 损失函数 | 第32-33页 |
| 3.3 融合生成对抗网络和姿态估计的视频行人再识别方法 | 第33-42页 |
| 3.3.1 生成对抗网络概述 | 第34-36页 |
| 3.3.2 生成对抗网络预测视频帧增加样本 | 第36-38页 |
| 3.3.3 目标行人关节点的检测与定位 | 第38-41页 |
| 3.3.4 时-空注意力网络算法 | 第41-42页 |
| 3.3.5 本章算法的具体步骤 | 第42页 |
| 3.4 实验测试及结果分析 | 第42-49页 |
| 3.4.1 实验数据集介绍 | 第42-44页 |
| 3.4.2 测试数据和算法性能评测准则 | 第44-45页 |
| 3.4.3 实验在不同数据集上的实验结果 | 第45-47页 |
| 3.4.4 生成对抗网络递归生成N张图片对方法性能的比较 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于多尺度帧率的视频行人再识别 | 第50-59页 |
| 4.1 引言 | 第50页 |
| 4.2 基于多尺度帧率的视频行人再识别方法 | 第50-55页 |
| 4.2.1 自适应可分离卷积插帧算法 | 第51-53页 |
| 4.2.2 多尺度帧率视频的选取 | 第53-54页 |
| 4.2.3 本章算法的具体步骤 | 第54-55页 |
| 4.3 实验测试与结果分析 | 第55-58页 |
| 4.3.1 测试数据和算法性能评测准则 | 第55页 |
| 4.3.2 实验在不同数据集上的实验结果 | 第55-56页 |
| 4.3.3 融合第三章和第四章的内容进行实验 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |
