| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 行人再识别研究现状 | 第11页 |
| 1.2.2 Hadoop图像处理研究现状 | 第11-12页 |
| 1.3 研究内容和组织结构 | 第12-15页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 组织结构 | 第13-15页 |
| 第2章 相关技术与理论 | 第15-31页 |
| 2.1 行人再识别基本知识 | 第15-24页 |
| 2.1.1 行人图像特征提取 | 第15-23页 |
| 2.1.2 行人图像特征识别 | 第23-24页 |
| 2.2 Hadoop技术 | 第24-30页 |
| 2.2.1 Hadoop框架概述 | 第24页 |
| 2.2.2 分布式文件系统HDFS | 第24-28页 |
| 2.2.3 并行计算模型MapReduce | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 基于Hadoop的CB和GMM的行人前景提取 | 第31-46页 |
| 3.1 背景建模 | 第32-33页 |
| 3.1.1 基本思想 | 第32页 |
| 3.1.2 模型定义 | 第32-33页 |
| 3.1.3 模型匹配和更新 | 第33页 |
| 3.2 改进的背景建模算法 | 第33-35页 |
| 3.2.1 基本思想 | 第33-34页 |
| 3.2.2 模型更新方法 | 第34-35页 |
| 3.4 行人前景提取的并行化实现 | 第35-40页 |
| 3.4.1 并行CB-GMM学习的分布式计算可行性 | 第36-38页 |
| 3.4.2 Hadoop平台行人前景提取算法的并行化 | 第38-40页 |
| 3.5 实验结果及分析 | 第40-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于Hadoop的行人图像并行处理 | 第46-58页 |
| 4.1 引言 | 第46-47页 |
| 4.2 Hadoop图像处理方法(HIPI) | 第47-51页 |
| 4.2.1 行人图像的存储 | 第48-49页 |
| 4.2.2 行人图像的MapReduce处理 | 第49-51页 |
| 4.3 实验对比及结果分析 | 第51-57页 |
| 4.3.1 实验平台说明 | 第51-52页 |
| 4.3.2 性能评价指标 | 第52-53页 |
| 4.3.3 实验结果分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 Hadoop平台下行人再识别的实现 | 第58-74页 |
| 5.1 空间度量学习算法 | 第58-61页 |
| 5.1.1 二次相似度学习多项式特征图 | 第58-59页 |
| 5.1.2 空间约束相似函数 | 第59-61页 |
| 5.2 空间度量学习算法并行化 | 第61-65页 |
| 5.2.1 空间度量学习并行化内容 | 第61-63页 |
| 5.2.2 空间度量学习算法MapReduce实现 | 第63-65页 |
| 5.3 并行化行人再识别的实现 | 第65-68页 |
| 5.3.1 特征提取的MapReduce实现 | 第65-67页 |
| 5.3.2 特征识别的MapReduce实现 | 第67-68页 |
| 5.4 实验 | 第68-73页 |
| 5.4.1 实验数据集 | 第68-69页 |
| 5.4.2 实验结果与分析 | 第69-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 本文总结 | 第74-75页 |
| 6.2 未来展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第81页 |
