| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第19-50页 |
| 1.1 研究背景与意义 | 第19-24页 |
| 1.1.1 课题来源与研究背景 | 第19-22页 |
| 1.1.2 课题研究的目的和意义 | 第22-24页 |
| 1.2 发展历史 | 第24-26页 |
| 1.3 系统框架构成 | 第26-29页 |
| 1.4 国内外研究现状 | 第29-41页 |
| 1.4.1 行人外观特征描述 | 第30-37页 |
| 1.4.2 相似性度量模型学习 | 第37-41页 |
| 1.5 评价标准 | 第41-44页 |
| 1.5.1 常用数据库 | 第41-43页 |
| 1.5.2 算法评价指标 | 第43-44页 |
| 1.6 存在的主要问题和挑战 | 第44-46页 |
| 1.7 本文的研究内容与贡献 | 第46-48页 |
| 1.8 本文的结构安排 | 第48-50页 |
| 第2章 基于显著性子区域学习的行人目标再识别 | 第50-74页 |
| 2.1 引言 | 第50-51页 |
| 2.2 相关工作 | 第51-52页 |
| 2.3 基本思路与总体框架 | 第52-53页 |
| 2.4 行人图像预处理 | 第53-56页 |
| 2.4.1 基于核密度估计的前景提取 | 第54-55页 |
| 2.4.2 行人图像过分割 | 第55-56页 |
| 2.5 显著性子区域学习 | 第56-65页 |
| 2.5.1 超图的基本概念 | 第57-59页 |
| 2.5.2 基于视觉的超图构建 | 第59-61页 |
| 2.5.3 基于空间的超图构建 | 第61-62页 |
| 2.5.4 视觉空间显著性学习 | 第62-65页 |
| 2.6 基于显著性子区域的目标匹配 | 第65-66页 |
| 2.7 实验结果及分析 | 第66-73页 |
| 2.7.1 实验设置 | 第66-67页 |
| 2.7.2 ETHZ数据库实验 | 第67-69页 |
| 2.7.3 i-LIDS数据库实验 | 第69-70页 |
| 2.7.4 CAVIAR4REID数据库实验 | 第70-73页 |
| 2.8 本章小结 | 第73-74页 |
| 第3章 基于自适应距离度量学习的行人目标再识别 | 第74-100页 |
| 3.1 引言 | 第74-76页 |
| 3.2 相关工作 | 第76-77页 |
| 3.3 距离度量学习模型 | 第77-79页 |
| 3.4 自适应距离度量学习算法 | 第79-88页 |
| 3.4.1 问题的定义和建模 | 第79-82页 |
| 3.4.2 自适应样本权重分配 | 第82-84页 |
| 3.4.3 模型的优化和求解 | 第84-88页 |
| 3.5 实验结果及分析 | 第88-99页 |
| 3.5.1 实验设置 | 第89-90页 |
| 3.5.2 距离度量学习算法对比 | 第90-92页 |
| 3.5.3 行人目标再识别算法对比 | 第92-96页 |
| 3.5.4 相关讨论 | 第96-99页 |
| 3.6 本章小结 | 第99-100页 |
| 第4章 基于双约束距离度量学习和超图排序的行人目标再识别 | 第100-125页 |
| 4.1 引言 | 第100-101页 |
| 4.2 相关工作 | 第101-102页 |
| 4.3 基本思路与总体框架 | 第102-103页 |
| 4.4 双约束距离度量学习模型 | 第103-109页 |
| 4.4.1 跨摄像机关联约束 | 第104-106页 |
| 4.4.2 同摄像机关联约束 | 第106-107页 |
| 4.4.3 模型的优化和求解 | 第107-109页 |
| 4.5 基于超图的相似性排序 | 第109-112页 |
| 4.5.1 样本关联建模 | 第109-111页 |
| 4.5.2 基于关联模型的样本排序 | 第111-112页 |
| 4.6 实验结果及分析 | 第112-124页 |
| 4.6.1 实验设置 | 第112-114页 |
| 4.6.2 距离度量学习算法对比 | 第114-115页 |
| 4.6.3 行人目标再识别算法对比 | 第115-120页 |
| 4.6.4 相关讨论 | 第120-124页 |
| 4.7 本章小结 | 第124-125页 |
| 第5章 基于多距离度量矩阵融合的行人目标再识别 | 第125-146页 |
| 5.1 引言 | 第125-126页 |
| 5.2 相关工作 | 第126-128页 |
| 5.3 基本思路与总体框架 | 第128-129页 |
| 5.4 模型的构建 | 第129-133页 |
| 5.4.1 距离度量矩阵预训练 | 第129-130页 |
| 5.4.2 投影特征空间上的关联建模 | 第130-131页 |
| 5.4.3 多关联图联合约束 | 第131-132页 |
| 5.4.4 权重自适应学习 | 第132-133页 |
| 5.5 模型的求解 | 第133-136页 |
| 5.5.1 目标函数矩阵化表示 | 第133-134页 |
| 5.5.2 交替最小化求解 | 第134-136页 |
| 5.6 实验结果及分析 | 第136-145页 |
| 5.6.1 实验设置 | 第136页 |
| 5.6.2 经典融合算法对比 | 第136-142页 |
| 5.6.3 行人目标再识别算法对比 | 第142-143页 |
| 5.6.4 相关讨论 | 第143-145页 |
| 5.7 本章小结 | 第145-146页 |
| 第6章 总结与展望 | 第146-149页 |
| 6.1 本文工作总结 | 第146-147页 |
| 6.2 未来工作展望 | 第147-149页 |
| 参考文献 | 第149-164页 |
| 攻读博士学位期间主要的研究成果 | 第164-165页 |