| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 行人再识别的研究背景与意义 | 第15-16页 |
| 1.2 行人再识别技术的研究现状 | 第16-20页 |
| 1.2.1 特征表示 | 第16-18页 |
| 1.2.2 距离测度学习 | 第18-19页 |
| 1.2.3 深度学习 | 第19-20页 |
| 1.3 行人再识别技术难点 | 第20-23页 |
| 1.3.1 特征表达 | 第20页 |
| 1.3.2 模型和系统的设计 | 第20-21页 |
| 1.3.3 数据和评价方法 | 第21-23页 |
| 1.4 本文主要研究内容和章节安排 | 第23-25页 |
| 第二章 基于支持样本间接式的行人再识别 | 第25-37页 |
| 2.1 行人再识别中的问题及影响 | 第25-26页 |
| 2.1.1 行人再识别中的问题 | 第25-26页 |
| 2.1.2 行人再识别中问题的影响 | 第26页 |
| 2.2 间接匹配式的行人再识别 | 第26-30页 |
| 2.2.1 行人特征提取 | 第26-28页 |
| 2.2.2 间接特征匹配 | 第28-30页 |
| 2.3 支持样本的选取 | 第30-31页 |
| 2.3.1 行人特征相似性度量 | 第30-31页 |
| 2.3.2 支持样本的选取 | 第31页 |
| 2.4 本章算法的具体步骤 | 第31-32页 |
| 2.5 实验 | 第32-36页 |
| 2.5.1 不同公共实验集上的实验对比 | 第32-35页 |
| 2.5.2 不同权值t对算法性能的影响 | 第35-36页 |
| 2.6 本章总结 | 第36-37页 |
| 第三章 暗通道和测度学习的雾天行人再识别 | 第37-48页 |
| 3.1 暗通道先验知识的图像去雾 | 第37-38页 |
| 3.1.1 暗通道先验知识 | 第37-38页 |
| 3.2 雾天图像基本模型 | 第38-39页 |
| 3.2.1 透射率t(x)的估计 | 第38-39页 |
| 3.2.2 大气光A的估计 | 第39页 |
| 3.3 图像去雾效果 | 第39页 |
| 3.4 基于测度学习的行人再识别 | 第39-41页 |
| 3.4.1 图片亮度调整 | 第39-40页 |
| 3.4.2 局部最大特征(LOMO) | 第40-41页 |
| 3.5 交叉视角二次判别分析(XQDA) | 第41-42页 |
| 3.5.1 Bayesian Face和KISSME Revisit | 第41-42页 |
| 3.5.2 XQDA | 第42页 |
| 3.6 本章算法的具体操作步骤 | 第42-43页 |
| 3.7 实验 | 第43-47页 |
| 3.7.1 实验数据库和评价标准 | 第43页 |
| 3.7.2 实验结果与分析 | 第43-47页 |
| 3.8 本章小结 | 第47-48页 |
| 第四章 基于卷积神经网络和属性特征行人再识别 | 第48-58页 |
| 4.1 多视角属性特征检测 | 第49-51页 |
| 4.1.1 属性特征 | 第49-50页 |
| 4.1.2 属性特征的提取 | 第50-51页 |
| 4.2 基于属性特征的行人再识别 | 第51-54页 |
| 4.2.1 Coupled Clusters Loss (辛禹合集群损失函数） | 第51-53页 |
| 4.2.2 综合属性特征的行人再识别 | 第53-54页 |
| 4.3 实验 | 第54-57页 |
| 4.3.1 属性网络 | 第54-55页 |
| 4.3.2 行人再识别 | 第55-57页 |
| 4.3.3 实验结果与分析 | 第57页 |
| 4.4 本章总结 | 第57-58页 |
| 第五章 总结与展望 | 第58-61页 |
| 5.1 论文总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-61页 |
| 5.2.1 行人再识别与行人检测和跟踪相结合 | 第59页 |
| 5.2.2 将行人再识别从封闭的环境放到开放的环境 | 第59-61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 |
