| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 现有的行人再辨识方法 | 第9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.4 现有的行人再辨识方法的不足与挑战 | 第12-13页 |
| 1.5 本文的主要工作与安排 | 第13页 |
| 1.6 论文的结构安排 | 第13-15页 |
| 第二章 基于CNN卷积层特征的块匹配策略 | 第15-30页 |
| 2.1 行人再辨识问题描述及算法框架 | 第15-17页 |
| 2.2 样本预处理 | 第17-18页 |
| 2.3 Lab特征与Dense-SIFT特征 | 第18-21页 |
| 2.3.1 Lab特征 | 第19页 |
| 2.3.2 Dense-SIFT特征 | 第19-21页 |
| 2.3.3 级联特征 | 第21页 |
| 2.4 CNN网络概念简介 | 第21-22页 |
| 2.5 CNN卷积层特征的提取与讨论 | 第22-24页 |
| 2.6 实验 | 第24-29页 |
| 2.6.1 常用数据集及实验设置 | 第25页 |
| 2.6.2 行人再辨识算法性能的衡量指标 | 第25-26页 |
| 2.6.3 特征提取及参数选择 | 第26-27页 |
| 2.6.4 预处理方法及实验对比 | 第27页 |
| 2.6.5 实验结果与分析 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于KMEANS聚类的显著性学习 | 第30-43页 |
| 3.1 稠密块的显著性 | 第30-31页 |
| 3.2 显著性分数学习算法的设计目标 | 第31-32页 |
| 3.3 基于KNN的显著性分数学习算法 | 第32-34页 |
| 3.4 基于OCSVM的显著性分数学习算法 | 第34-36页 |
| 3.5 基于KMEANS的显著性分数学习算法 | 第36-38页 |
| 3.6 实验对比及分析 | 第38-41页 |
| 3.6.1 数据集及实验设置 | 第38页 |
| 3.6.2 不同显著性分数学习算法的对比 | 第38-40页 |
| 3.6.3 算法跨库性能的实验 | 第40-41页 |
| 3.7 基于KMEANS的显著性分数学习算法的实用性讨论 | 第41页 |
| 3.8 本章小结 | 第41-43页 |
| 第四章 基于稠密块的局部度量学习 | 第43-56页 |
| 4.1 度量学习方法 | 第43-48页 |
| 4.1.1 分区域度量学习 | 第43-44页 |
| 4.1.2 LMNN算法 | 第44-45页 |
| 4.1.3 用于度量学习的正样本对挑选方法 | 第45-47页 |
| 4.1.4 尺度参数均衡区域差异 | 第47页 |
| 4.1.5 实验结果与分析 | 第47-48页 |
| 4.2 加权匹配策略 | 第48-50页 |
| 4.2.1 改进的加权匹配策略 | 第49页 |
| 4.2.2 实验结果与分析 | 第49-50页 |
| 4.3 同现有算法的比较 | 第50-54页 |
| 4.3.1 在VIPeR数据集上的实验结果 | 第50-52页 |
| 4.3.2 在CUHK01数据集上的实验结果 | 第52-54页 |
| 4.4 本文算法的适应性讨论 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结和展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.1.1 工作成果总结 | 第56页 |
| 5.1.2 优势与不足 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |