基于多摄像机网络的行人再识别系统的研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8-12页 |
| 1.1.1 智能视频分析 | 第8-9页 |
| 1.1.2 多摄像机联合跟踪 | 第9-11页 |
| 1.1.3 行人再识别 | 第11-12页 |
| 1.2 课题研究的难点和重点 | 第12-14页 |
| 1.2.1 课题研究的工程背景 | 第12页 |
| 1.2.2 课题研究的难点 | 第12-14页 |
| 1.2.3 课题研究的重点 | 第14页 |
| 1.3 章节安排 | 第14-15页 |
| 第二章 行人再识别的特征工程 | 第15-56页 |
| 2.1 相关工作 | 第15-16页 |
| 2.2 基于传统方法的行人特征提取 | 第16-31页 |
| 2.2.1 颜色特征 | 第16-19页 |
| 2.2.2 纹理特征 | 第19-21页 |
| 2.2.3 局部不变性特征 | 第21-26页 |
| 2.2.4 空间位置特征 | 第26-27页 |
| 2.2.5 多特征融合 | 第27-29页 |
| 2.2.6 实验分析 | 第29-31页 |
| 2.3 基于深度学习的行人特征提取 | 第31-56页 |
| 2.3.1 深度学习概述 | 第31-32页 |
| 2.3.2 卷积神经网络 | 第32-33页 |
| 2.3.3 深度学习的使用 | 第33-41页 |
| 2.3.4 深度学习的模型选择 | 第41-46页 |
| 2.3.5 深度学习的训练与评估 | 第46-48页 |
| 2.3.6 实验分析 | 第48-56页 |
| 第三章 图像搜索引擎与离线行人检索系统 | 第56-62页 |
| 3.1 图像索引的构建 | 第56-59页 |
| 3.1.1 图像检索的常用算法 | 第56-57页 |
| 3.1.2 LSH算法 | 第57-59页 |
| 3.2 图像搜索引擎的实现 | 第59-61页 |
| 3.3 实验分析 | 第61-62页 |
| 第四章 多摄像机网络中时空信息的使用 | 第62-66页 |
| 4.1 相关工作 | 第62页 |
| 4.2 基于视频包围圈的监控场景切换方法 | 第62-64页 |
| 4.3 实验分析 | 第64-66页 |
| 第五章 在线行人再识别系统 | 第66-75页 |
| 5.1 在线行人再识别的关键技术 | 第66-71页 |
| 5.1.1 目标检测与跟踪 | 第66-68页 |
| 5.1.2 图片预处理 | 第68-70页 |
| 5.1.3 目标筛选算法 | 第70页 |
| 5.1.4 多线索综合判决方法 | 第70-71页 |
| 5.2 在线行人再识别系统的实现方案 | 第71-73页 |
| 5.3 实验分析 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 附录1 攻读硕士学位期间申请的专利 | 第81-82页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第82-83页 |
| 致谢 | 第83页 |
