| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 研究内容及技术路线 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 2 行人再识别相关研究概述 | 第12-20页 |
| 2.1 行人再识别流程 | 第12-15页 |
| 2.1.1 背景分割 | 第12-13页 |
| 2.1.2 行人检测 | 第13页 |
| 2.1.3 特征提取 | 第13-14页 |
| 2.1.4 距离度量 | 第14-15页 |
| 2.2 评价标准 | 第15-16页 |
| 2.3 常用数据集 | 第16-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 行人再识别特征提取 | 第20-37页 |
| 3.1 引言 | 第20-21页 |
| 3.2 行人图像特征提取相关算法 | 第21-28页 |
| 3.2.1 全局特征 | 第21-25页 |
| 3.2.2 局部特征 | 第25-26页 |
| 3.2.3 基于深度学习的特征提取 | 第26-28页 |
| 3.3 基于子空间学习的多特征提取 | 第28-31页 |
| 3.3.1 行人特征的表达 | 第28-30页 |
| 3.3.2 行人特征子空间降维学习 | 第30-31页 |
| 3.4 实验及分析 | 第31-35页 |
| 3.4.1 特征原型分析 | 第31页 |
| 3.4.2 各种特征之间的对比 | 第31-33页 |
| 3.4.3 与其他特征提取算法的实验对比 | 第33-35页 |
| 3.4.4 降维维度分析 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 4 基于稀疏图的行人再识别算法 | 第37-50页 |
| 4.1 引言 | 第37-38页 |
| 4.2 相关理论 | 第38-43页 |
| 4.2.1 距离度量学习 | 第38-40页 |
| 4.2.2 图学习理论 | 第40-42页 |
| 4.2.3 稀疏表示 | 第42-43页 |
| 4.3 基于稀疏图的归纳学习（Sparse Graph Inductive Learning） | 第43-46页 |
| 4.4 实验及分析 | 第46-49页 |
| 4.4.1 VIPeR数据集实验及分析 | 第46-47页 |
| 4.4.2 ETHZ数据集实验及分析 | 第47-48页 |
| 4.4.3 iLIDS MCTS数据集实验及分析 | 第48页 |
| 4.4.4 CUHK Campus数据集实验及分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-60页 |
| 附录 | 第60页 |
| A. 作者在攻读学位期间发表的论文目录 | 第60页 |