| 摘要 | 第6-8页 |
| abstract | 第8-10页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 课题来源 | 第13页 |
| 1.2 课题研究的目的和意义 | 第13-15页 |
| 1.3 国内外研究概况 | 第15-20页 |
| 1.3.1 单目标视频跟踪 | 第15-17页 |
| 1.3.2 多场景下的行为识别 | 第17-18页 |
| 1.3.3 多摄像头下的行人再识别 | 第18-20页 |
| 1.4 论文的主要研究内容 | 第20-22页 |
| 1.4.1 单目标视频跟踪 | 第20-21页 |
| 1.4.2 多场景下的行为识别 | 第21页 |
| 1.4.3 多摄像头下的行人再识别 | 第21-22页 |
| 1.5 论文组织安排 | 第22-23页 |
| 第二章 基于深度学习的单目标视频跟踪技术 | 第23-42页 |
| 2.1 概述 | 第23-24页 |
| 2.2 基于分支激活的卷积神经网络模型的视频跟踪算法 | 第24-28页 |
| 2.2.1 算法思想与框架 | 第24-26页 |
| 2.2.2 卷积神经网络 | 第26-27页 |
| 2.2.3 AMDNet算法模型的网络结构 | 第27-28页 |
| 2.3 视频分组 | 第28-32页 |
| 2.3.1 视频关键帧提取 | 第29-30页 |
| 2.3.2 基于相似度的视频分组算法 | 第30-32页 |
| 2.4 分支激活算法 | 第32-33页 |
| 2.5 跟踪细节 | 第33-35页 |
| 2.6 实验方法及评估 | 第35-41页 |
| 2.6.1 实验设置 | 第35页 |
| 2.6.2 评估方法 | 第35-37页 |
| 2.6.3 算法评估 | 第37-41页 |
| 2.7 本章小结 | 第41-42页 |
| 第三章 基于双流卷积神经网络的行为识别技术 | 第42-58页 |
| 3.1 概述 | 第42-43页 |
| 3.2 基于姿态的卷积神经网络行为识别算法 | 第43-47页 |
| 3.3 基于双流卷积神经网络的行为识别算法 | 第47-54页 |
| 3.3.1 算法思想与框架 | 第47-48页 |
| 3.3.2 光流场模型输入模式 | 第48-49页 |
| 3.3.3 基于人体姿态估计的模型输入模式 | 第49-52页 |
| 3.3.4 双流卷积神经网络模型 | 第52-54页 |
| 3.4 实验方法及评估 | 第54-57页 |
| 3.4.1 实验设置 | 第54-56页 |
| 3.4.2 算法评估 | 第56-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 基于图像对关系认知的行人再识别技术 | 第58-72页 |
| 4.1 概述 | 第58-59页 |
| 4.2 行人检测 | 第59-61页 |
| 4.3 基于配对深度滤波器的行人再识别算法 | 第61-64页 |
| 4.4 基于图像对关系认知的行人再识别算法 | 第64-68页 |
| 4.4.1 算法思想与框架 | 第64-66页 |
| 4.4.2 深度卷积神经网络模型 | 第66-68页 |
| 4.5 实验方法及评估 | 第68-71页 |
| 4.5.1 实验设置 | 第68-69页 |
| 4.5.2 算法评估 | 第69-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 结论与展望 | 第72-74页 |
| 5.1 本文工作总结 | 第72-73页 |
| 5.2 工作展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 作者在攻读硕士学位期间公开发表的论文及专利 | 第80-81页 |
| 作者在攻读硕士学位期间所作的项目 | 第81-82页 |
| 致谢 | 第82页 |