| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 发展历史与研究现状 | 第11-14页 |
| 1.2.1 行人检测的研究历史与现状 | 第11-13页 |
| 1.2.2 人体再识别的研究历史和现状 | 第13-14页 |
| 1.3 人体再识别所面临的问题 | 第14-16页 |
| 1.4 本文的章节安排 | 第16-18页 |
| 第二章 监控视频当中的行人检测 | 第18-37页 |
| 2.1 引言 | 第18页 |
| 2.2 运动前景检测及预处理 | 第18-26页 |
| 2.2.1 高斯混合模型 | 第18-24页 |
| 2.2.2 前景图像的预处理 | 第24-26页 |
| 2.3 基于DPM模型的人体检测 | 第26-31页 |
| 2.4 基于HOG特征的行人检测的实现 | 第31-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 人体再识别中的特征提取方法 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 行人特征提取方法 | 第37-39页 |
| 3.2.1 颜色直方图特征 | 第38-39页 |
| 3.2.2 纹理特征 | 第39页 |
| 3.3 基于局部最大发生的特征提取方法 | 第39-43页 |
| 3.3.1 图像预处理 | 第39-40页 |
| 3.3.2 特征提取方法 | 第40-43页 |
| 3.4 基于显著性特征提取方法 | 第43-47页 |
| 3.4.1 确定行人显著性区域 | 第44-46页 |
| 3.4.2 显著性区域判断步骤 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于度量学习的人体再识别 | 第49-68页 |
| 4.1 引言 | 第49页 |
| 4.2 常用的度量学习方法 | 第49-56页 |
| 4.2.1 马氏距离 | 第50-52页 |
| 4.2.2 线性判别分析 | 第52-53页 |
| 4.2.3 基于信息论的度量学习 | 第53-54页 |
| 4.2.4 最大间隔近邻算法 | 第54-55页 |
| 4.2.5 交叉二次判别分析 | 第55-56页 |
| 4.3 人体再识别实验性能分析 | 第56-63页 |
| 4.3.1 基于局部最大特征表示的人体再识别实验分析 | 第57-60页 |
| 4.3.2 结合显著性特征的人体再识别实验分析 | 第60-63页 |
| 4.4 智能视频监控下的人体再识别系统介绍 | 第63-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 全文工作总结 | 第68页 |
| 5.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |