首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于Hadoop平台的行人再识别的研究

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

论文共81页,点击 下载论文
上一篇:圆纬机控制及联网考勤系统研制
下一篇:科学数据感知价值与用户相关性判断研究