| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 引言 | 第16-18页 |
| 1.2 研究现状 | 第18-21页 |
| 1.2.1 行人再识别概述 | 第18-20页 |
| 1.2.2 行人再识别应用前景 | 第20页 |
| 1.2.3 行人再识别研究难点 | 第20-21页 |
| 1.3 行人再识别研究的方法和现状 | 第21-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第二章 相关算法介绍 | 第24-40页 |
| 2.1 神经网络 | 第24-32页 |
| 2.2 卷积和池化 | 第32-36页 |
| 2.2.1 卷积 | 第33页 |
| 2.2.2 池化 | 第33-36页 |
| 2.3 相关数据库 | 第36-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 基于三元组特征增强的matching-CNN | 第40-54页 |
| 3.1 将二值决策问题转换为排序问题 | 第41-42页 |
| 3.2 相似性度量函数 | 第42-45页 |
| 3.2.1 传统的对比损失的相似性度量函数 | 第43页 |
| 3.2.2 基于三元组的相似性度量函数 | 第43-45页 |
| 3.3 matching-CNN网络架构 | 第45-48页 |
| 3.4 特征增强 | 第48页 |
| 3.5 实验结果及分析 | 第48-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 多种特征的特征增强向量相组合 | 第54-66页 |
| 4.1 对HSV颜色特征的特征增强 | 第54-57页 |
| 4.2 对LBP纹理特征的特征增强 | 第57-60页 |
| 4.3 多特征的组合 | 第60-61页 |
| 4.4 实验结果及分析 | 第61-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 利用无标签非结构化视频数据的网络微调 | 第66-76页 |
| 5.1 无标签视频数据 | 第66-67页 |
| 5.2 获取可供训练的行人样本 | 第67-71页 |
| 5.2.1 提取行人样本 | 第67-70页 |
| 5.2.2 对行人样本进行快速整理 | 第70-71页 |
| 5.3 对网络进行微调 | 第71-72页 |
| 5.4 实验结果及分析 | 第72-74页 |
| 5.5 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-80页 |
| 6.1 本文小结 | 第76-77页 |
| 6.2 展望 | 第77-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-88页 |
| 作者简介 | 第88页 |