| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究的背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 现有技术缺陷和不足 | 第10-11页 |
| 1.4 主要工作和论文结构 | 第11-13页 |
| 第二章 人物识别相关知识 | 第13-23页 |
| 2.1 人工神经网络 | 第13-15页 |
| 2.2 多姿势样本库 | 第15-16页 |
| 2.3 多姿势样本提取 | 第16-17页 |
| 2.4 特征提取 | 第17-18页 |
| 2.5 特征分类 | 第18-19页 |
| 2.6 本文总体框架 | 第19-22页 |
| 2.7 总结 | 第22-23页 |
| 第三章 多姿势样本提取 | 第23-39页 |
| 3.1 poselets算法 | 第23-24页 |
| 3.2 基于poselets的特定位置人物多姿势提取 | 第24页 |
| 3.3 poselets算法检测人物框 | 第24-25页 |
| 3.4 特定位置头部信息的人物框过滤模型 | 第25页 |
| 3.5 基于二分图最大权值匹配算法(P-BG算法) | 第25-29页 |
| 3.5.1 筛选结果排序 | 第25-26页 |
| 3.5.2 基于特定位置人物的二分图匹配 | 第26页 |
| 3.5.3 二分图 | 第26页 |
| 3.5.4 P-BG算法实现 | 第26-27页 |
| 3.5.5 P-BG算法实验结果 | 第27-29页 |
| 3.6 基于CNN特征和自然邻居流形排序的姿势提取算法(P-CMR算法) | 第29-36页 |
| 3.6.1 图像视觉特征提取 | 第30页 |
| 3.6.2 流形排序图像检索算法 | 第30-31页 |
| 3.6.3 自然邻居图 | 第31-32页 |
| 3.6.4 P-CMR算法实现 | 第32-33页 |
| 3.6.5 P-CMR算法实验结果 | 第33-36页 |
| 3.7 特定位置人物姿势提取 | 第36-37页 |
| 3.8 总结 | 第37-39页 |
| 第四章 特征提取 | 第39-50页 |
| 4.1 卷积神经网络 | 第40页 |
| 4.2 卷积神经网络结构 | 第40-44页 |
| 4.2.1 卷积 | 第40页 |
| 4.2.2 局部感受野 | 第40-41页 |
| 4.2.3 权值共享 | 第41-42页 |
| 4.2.4 子采样 | 第42页 |
| 4.2.5 卷积神经网络训练过程 | 第42-44页 |
| 4.3 AlexNet网络结构 | 第44页 |
| 4.4 VGGNet网络结构 | 第44-46页 |
| 4.5 姿势特征提取 | 第46-48页 |
| 4.5.1 caffe开源学习框架 | 第46-47页 |
| 4.5.2 CNN模型训练 | 第47-48页 |
| 4.5.3 CNN特征提取 | 第48页 |
| 4.6 实验结果 | 第48-49页 |
| 4.7 总结 | 第49-50页 |
| 第五章 基于多姿势特征的人物识别 | 第50-61页 |
| 5.1 支持向量机(SVM) | 第50-54页 |
| 5.1.1 最优超平面 | 第51页 |
| 5.1.2 间隔最大化 | 第51-53页 |
| 5.1.3 核函数 | 第53-54页 |
| 5.2 多分类线性SVM模型 | 第54-55页 |
| 5.3 稀疏填充 | 第55-56页 |
| 5.4 权重值计算和人物分类 | 第56-57页 |
| 5.5 实验结果 | 第57-60页 |
| 5.5.1 SVM模型实验结果 | 第57-58页 |
| 5.5.2 人物识别实验结果分析与比较 | 第58-60页 |
| 5.6 总结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 个人简历 | 第68-69页 |
| 在学期间的研究成果及发表的学术论文 | 第69页 |
