| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10-12页 |
| 1.1.1 研究背景与意义 | 第10-11页 |
| 1.1.2 国内外研究现状 | 第11-12页 |
| 1.2 行人重识别面临的挑战 | 第12页 |
| 1.3 本文的主要工作与安排 | 第12-15页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 论文的结构安排 | 第13-15页 |
| 第二章 行人重识别相关技术综述 | 第15-30页 |
| 2.1 行人重识别常用模型 | 第15-22页 |
| 2.1.1 基于特征学习的方法 | 第15-16页 |
| 2.1.2 基于度量学习的方法 | 第16-18页 |
| 2.1.3 基于字典学习的方法 | 第18-20页 |
| 2.1.4 基于卷积神经网络的方法 | 第20-22页 |
| 2.2 行人目标图像的特征 | 第22-26页 |
| 2.2.1 颜色特征 | 第22-24页 |
| 2.2.2 纹理特征 | 第24-26页 |
| 2.3 性能价标准 | 第26-28页 |
| 2.3.1 CMC曲线 | 第26-27页 |
| 2.3.2 数据集 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于字典学习和Fisher判别稀疏表示的行人重识别方法 | 第30-39页 |
| 3.1 字典学习 | 第30-32页 |
| 3.2 基于Fisher判别的稀疏表示 | 第32-37页 |
| 3.2.1 行人重识别离散度函数构造 | 第34-35页 |
| 3.2.2 目标函数构造 | 第35-36页 |
| 3.2.3 最优化问题求解 | 第36-37页 |
| 3.3 本文的行人匹配方法 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 深度学习与字典学习相结合的行人重识别方法 | 第39-52页 |
| 4.1 算法框架 | 第39-40页 |
| 4.2 卷积神经网络 | 第40-41页 |
| 4.3 网络结构和代价函数 | 第41-43页 |
| 4.4 卷积神经网络的求解 | 第43-50页 |
| 4.4.1 BP算法 | 第43-45页 |
| 4.4.2 深度卷积网络参数更新 | 第45-50页 |
| 4.5 特征提取 | 第50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 实验结果与分析 | 第52-62页 |
| 5.1 实验环境与结果 | 第52-55页 |
| 5.2 讨论与分析 | 第55-61页 |
| 5.2.1 参数的影响 | 第56-57页 |
| 5.2.2 特征的影响 | 第57-61页 |
| 5.3 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |