| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-21页 |
| 1.1 研究的背景和意义 | 第13-15页 |
| 1.2 行人重识别面临的关键技术与难点 | 第15-17页 |
| 1.2.1 关键技术 | 第15-16页 |
| 1.2.2 面临的难点 | 第16-17页 |
| 1.3 国内外研究现状分析 | 第17-19页 |
| 1.4 论文的主要工作 | 第19页 |
| 1.5 论文章节安排 | 第19-21页 |
| 2 小群体关联信息挖掘 | 第21-30页 |
| 2.1 本章引论 | 第21页 |
| 2.2 基于轨迹谱图的行人小群体聚类方法 | 第21-23页 |
| 2.3 基于矩形环的小群体特征提取 | 第23-26页 |
| 2.4 行人小群体相似度计算 | 第26-27页 |
| 2.5 实验结果及分析 | 第27-29页 |
| 2.6 小结 | 第29-30页 |
| 3 基于相关距离比较的距离学习重识别模型 | 第30-44页 |
| 3.1 本章引论 | 第30页 |
| 3.2 基于相关距离比较的距离学习函数 | 第30-32页 |
| 3.3 高维特征下的迭代优化学习算法 | 第32-34页 |
| 3.4 高维数据训练样本下的多模型学习 | 第34-36页 |
| 3.5 实验与分析 | 第36-43页 |
| 3.6 小结 | 第43-44页 |
| 4 基于小群体关联的行人重识别策略 | 第44-55页 |
| 4.1 本章引论 | 第44页 |
| 4.2 基于小群体信息预判的摄像头筛选策略 | 第44-46页 |
| 4.3 基于小群体速度和路径拓扑结构的权值设置策略 | 第46-48页 |
| 4.4 基于小群体相似度的多重排序策略 | 第48-50页 |
| 4.5 实验结果及分析 | 第50-54页 |
| 4.6 小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 研究工作总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简介 | 第61页 |