| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 行人再识别研究现状 | 第10-13页 |
| 1.2.1 行人再识别方法 | 第10-11页 |
| 1.2.2 行人再识别过程 | 第11-12页 |
| 1.2.3 行人再识别数据库 | 第12-13页 |
| 1.3 行人再识别中的难点 | 第13-14页 |
| 1.3.1 识别率上的难点 | 第13-14页 |
| 1.3.2 实用性上的难点 | 第14页 |
| 1.4 本文的主要内容 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第二章 行人再识别相关技术 | 第16-28页 |
| 2.1 行人再识别相关技术研究现状 | 第16-20页 |
| 2.1.1 行人特征选择与提取 | 第16-19页 |
| 2.1.2 分类器设计 | 第19-20页 |
| 2.2 深度学习 | 第20-23页 |
| 2.2.1 卷积神经网络 | 第20-22页 |
| 2.2.2 卷积自动编码器 | 第22-23页 |
| 2.3 属性学习 | 第23-27页 |
| 2.3.1 行人再识别中的属性 | 第23-25页 |
| 2.3.2 属性预测模型 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于无监督卷积神经网络与行人属性的行人再识别方法 | 第28-40页 |
| 3.1 概述 | 第28-29页 |
| 3.2 无监督特征学习 | 第29-31页 |
| 3.3 无监督卷积神经网络与属性学习相结合的行人再识别 | 第31-34页 |
| 3.4 实验设计与分析 | 第34-39页 |
| 3.4.1 行人数据库 | 第34页 |
| 3.4.2 参数选择 | 第34-36页 |
| 3.4.3 实验设置 | 第36-37页 |
| 3.4.4 实验结果 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于无监督卷积神经网络与层次属性的行人再识别方法 | 第40-54页 |
| 4.1 概述 | 第40-41页 |
| 4.2 层次属性 | 第41-43页 |
| 4.2.1 层次属性概述 | 第41-42页 |
| 4.2.2 行人再识别中的层次属性 | 第42-43页 |
| 4.3 属性缺失 | 第43-44页 |
| 4.4 基于分块图像的无监督卷积神经网络与层次属性相结合的行人再识别 | 第44-47页 |
| 4.5 实验设计与分析 | 第47-53页 |
| 4.5.1 参数选择 | 第47-48页 |
| 4.5.2 实验设置 | 第48-49页 |
| 4.5.3 实验结果 | 第49-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 原型系统的设计与实现 | 第54-62页 |
| 5.1 系统的运行环境 | 第54页 |
| 5.2 原型系统框架结构 | 第54-57页 |
| 5.3 原型系统主要功能 | 第57-61页 |
| 5.3.1 行人再识别原型系统主界面 | 第57-58页 |
| 5.3.2 有目标行人图像的再识别功能 | 第58-59页 |
| 5.3.3 无目标行人图像的再识别功能 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间获得的学术论文及其他科研成果 | 第71页 |
