| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 课题研究背景和意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.4 本文主要工作及结构安排 | 第19-21页 |
| 1.4.1 本文主要工作 | 第19页 |
| 1.4.2 本文结构安排 | 第19-21页 |
| 第二章 基于建立摄像机间关系模型的行人再识别方法简介 | 第21-29页 |
| 2.1 概述 | 第21-22页 |
| 2.2 影响建模的几大因素 | 第22页 |
| 2.3 基于SVM的建模方法 | 第22-25页 |
| 2.3.1 SVM介绍 | 第22-24页 |
| 2.3.2 基于SVM的行人再识别方法 | 第24-25页 |
| 2.4 基于距离测度学习的建模方法 | 第25-27页 |
| 2.4.1 距离测度学习基本思想介绍 | 第25-26页 |
| 2.4.2 基于距离测度学习的行人再识别方法 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 松弛边界分量分析建模算法及其非线性拓展 | 第29-59页 |
| 3.1 概述 | 第29页 |
| 3.2 数据集介绍 | 第29-32页 |
| 3.2.1 VIPeR数据集 | 第29-30页 |
| 3.2.2 CAVIAR4REID数据集 | 第30-32页 |
| 3.3 特征简介及特征提取方法 | 第32-36页 |
| 3.3.1 RGB颜色空间与HSV颜色空间 | 第32-35页 |
| 3.3.2 行人特征提取方法 | 第35-36页 |
| 3.4 RMCA算法 | 第36-44页 |
| 3.4.1 理论框架 | 第36-37页 |
| 3.4.2 RMCA算法推导 | 第37-44页 |
| 3.5 KRMCA算法及核函数 | 第44-49页 |
| 3.5.1 KRMCA算法推导 | 第44-46页 |
| 3.5.2 KRMCA中核函数的选择 | 第46-49页 |
| 3.6 实验结果与分析 | 第49-59页 |
| 3.6.1 实验标准 | 第49-51页 |
| 3.6.2 单帧数据集实验 | 第51-55页 |
| 3.6.3 多帧数据集实验 | 第55-59页 |
| 第四章 多特征非线性松弛边界分量分析建模算法 | 第59-69页 |
| 4.1 概述 | 第59页 |
| 4.2 行人多特征介绍 | 第59-63页 |
| 4.2.1 YCbCr颜色特征提取 | 第60页 |
| 4.2.2 Gabor与Schmid纹理特征提取 | 第60-63页 |
| 4.3 MKRMCA算法 | 第63-66页 |
| 4.3.1 框架简述 | 第63-64页 |
| 4.3.2 MKRMCA算法导出 | 第64-65页 |
| 4.3.3 核宽度参数选择 | 第65-66页 |
| 4.4 实验结果与分析 | 第66-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第75-76页 |