面向监控图像的行人再识别关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于传统手工设计的行人再识别方法 | 第11-13页 |
| 1.2.2 基于深度学习的行人再识别方法 | 第13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.4 主要工作和论文的组织结构 | 第14-16页 |
| 1.4.1 本文主要工作 | 第14页 |
| 1.4.2 本文的结构安排 | 第14-16页 |
| 第二章 深度学习研究概述 | 第16-26页 |
| 2.1 神经网络 | 第17-20页 |
| 2.1.1 前向传播算法 | 第17-18页 |
| 2.1.2 反向传播算法 | 第18-20页 |
| 2.2 从浅层学习到深度学习 | 第20页 |
| 2.3 卷积神经网络 | 第20-23页 |
| 2.3.1 局部感知 | 第21页 |
| 2.3.2 权值共享 | 第21-22页 |
| 2.3.3 池化 | 第22-23页 |
| 2.4 CNN架构分析 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于深度学习的行人检测 | 第26-34页 |
| 3.1 候选区域网络 | 第27-28页 |
| 3.1.1 Anchor | 第27页 |
| 3.1.2 损失函数 | 第27-28页 |
| 3.2 ROI Pooling | 第28-29页 |
| 3.3 Faster R-CNN训练 | 第29页 |
| 3.4 行人检测过程 | 第29-30页 |
| 3.5 实验结果与分析 | 第30-31页 |
| 3.5.1 数据集 | 第30页 |
| 3.5.2 不同建议区域提取方法的比较 | 第30-31页 |
| 3.5.3 不同行人检测网络的比较 | 第31页 |
| 3.6 小结 | 第31-34页 |
| 第四章 基于深度学习的行人再识别 | 第34-46页 |
| 4.1 预处理 | 第35-36页 |
| 4.1.1 Retinex图像增强 | 第35-36页 |
| 4.1.2 图像归一化 | 第36页 |
| 4.2 基于深度学习的行人再识别 | 第36-40页 |
| 4.2.1 基于卷积神经网络的行人再识别模型 | 第37-39页 |
| 4.2.2 基于深度学习的行人再识别系统 | 第39-40页 |
| 4.3 传统手工设计的行人特征 | 第40-43页 |
| 4.3.1 特征提取 | 第40-42页 |
| 4.3.2 LOMO特征 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-45页 |
| 4.5 小结 | 第45-46页 |
| 第五章 面向监控图像的行人再识别系统实现 | 第46-54页 |
| 5.1 系统开发工具 | 第46页 |
| 5.2 系统总体架构 | 第46-47页 |
| 5.3 系统功能实现 | 第47-49页 |
| 5.4 相关实验与分析 | 第49-53页 |
| 5.4.1 边框尺度与宽高比的分析 | 第49-50页 |
| 5.4.2 在行人检测数据集上的实验 | 第50-52页 |
| 5.4.3 在行人再识别数据集上的实验 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 论文工作总结 | 第54页 |
| 工作展望 | 第54-56页 |
| 参考文献 | 第56-64页 |
| 攻读硕士学位期间取得的学术成果 | 第64-66页 |
| 致谢 | 第66页 |
