| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 现有再辨识方法 | 第10-12页 |
| 1.2.2 现有再辨识方法的不足与挑战 | 第12-13页 |
| 1.3 本文的主要工作与安排 | 第13-17页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 论文的结构安排 | 第14-17页 |
| 第二章 行人再辨识系统 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 前景提取 | 第17-19页 |
| 2.2.1 线性背景模型 | 第18页 |
| 2.2.2 混合高斯背景模型 | 第18-19页 |
| 2.3 人体模型 | 第19-22页 |
| 2.3.1 固定的人体模型 | 第20页 |
| 2.3.2 自适应的人体模型 | 第20页 |
| 2.3.3 学习的人体模型 | 第20-22页 |
| 2.4 特征提取 | 第22-24页 |
| 2.4.1 颜色特征 | 第22-23页 |
| 2.4.2 LBP纹理特征 | 第23-24页 |
| 2.5 小结 | 第24-27页 |
| 第三章 基于bagging的度量学习方法 | 第27-41页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于bagging的大间隔最近邻方法 | 第28-33页 |
| 3.2.1 大间隔最近邻算法 | 第28-29页 |
| 3.2.2 基于样本bagging的大间隔最近邻法 | 第29-31页 |
| 3.2.3 基于特征bagging的大间隔最近邻法 | 第31-33页 |
| 3.3 实验结果 | 第33-40页 |
| 3.3.1 数据库及实验设置 | 第33-34页 |
| 3.3.2 特征提取 | 第34页 |
| 3.3.3 参数选择 | 第34-37页 |
| 3.3.4 实验结果与分析 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 正则化的度量学习 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 正则化的大间隔最近邻法 | 第42-47页 |
| 4.2.1 正则化的大间隔最近邻法模型 | 第42-43页 |
| 4.2.2 实验结果及分析 | 第43-47页 |
| 4.3 更新近邻的大间隔最近邻法 | 第47-51页 |
| 4.3.1 更新近邻的大间隔最近邻法 | 第47-50页 |
| 4.3.2 实验结果及分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 总结和展望 | 第53-57页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士期间发表的学术论文 | 第63页 |