| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题研究背景和意义 | 第11-14页 |
| 1.1.1 视频监控发展及人工智能化趋势 | 第11-12页 |
| 1.1.2 行人重识别课题的提出和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 行人重识别发展历程 | 第14-15页 |
| 1.2.2 行人重识别面临的问题与挑战 | 第15-17页 |
| 1.3 本文的主要工作及章节安排 | 第17-20页 |
| 1.3.1 主要研究工作 | 第17-18页 |
| 1.3.2 论文章节安排 | 第18-20页 |
| 第二章 行人重识别相关技术综述 | 第20-30页 |
| 2.1 传统特征表达 | 第20-23页 |
| 2.1.1 底层属性特征 | 第20-22页 |
| 2.1.2 中高层属性特征 | 第22-23页 |
| 2.2 距离度量学习 | 第23-25页 |
| 2.2.1 度量学习 | 第23-24页 |
| 2.2.2 子空间学习 | 第24-25页 |
| 2.3 深度学习 | 第25-29页 |
| 2.3.1 深度学习分类模型 | 第25-28页 |
| 2.3.2 深度学习特征提取 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 三通道行人朝向识别 | 第30-41页 |
| 3.1 刚性物体视角估计与行人朝向识别 | 第30-32页 |
| 3.1.1 刚性物体视角估计简介 | 第30-31页 |
| 3.1.2 行人朝向识别 | 第31-32页 |
| 3.2 三通道行人朝向识别网络 | 第32-37页 |
| 3.2.1 三通道网络结构概述 | 第32-33页 |
| 3.2.2 网络参数与训练过程 | 第33-37页 |
| 3.3 实验与分析 | 第37-39页 |
| 3.3.1 行人朝向数据集制作 | 第37-38页 |
| 3.3.2 朝向识别结果与分析 | 第38-39页 |
| 3.4 行人朝向用于行人重识别的意义 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于卷积姿态机的人体姿态估计与应用分析 | 第41-48页 |
| 4.1 人体姿态估计简介 | 第41-42页 |
| 4.2 卷积姿态机原理 | 第42-44页 |
| 4.3 实验结果与分析 | 第44-46页 |
| 4.4 姿态估计在行人重识别上的应用分析 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于卷积神经网络与朝向姿态信息的行人重识别 | 第48-67页 |
| 5.1 基于卷积神经网络的全局与局部部位特征提取 | 第48-52页 |
| 5.1.1 基本网络结构与全局特征提取 | 第48-50页 |
| 5.1.2 姿态信息与局部部位特征提取 | 第50-52页 |
| 5.2 基于朝向信息的局部部位特征多策略加权方法 | 第52-54页 |
| 5.3 行人重识别整体流程 | 第54-57页 |
| 5.4 实验与分析 | 第57-66页 |
| 5.4.1 行人重识别数据集与实验配置 | 第57-58页 |
| 5.4.2 行人重识别实验结果比较与分析 | 第58-62页 |
| 5.4.3 朝向与姿态信息对重识别的影响 | 第62-66页 |
| 5.5 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |