| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2. 行人检测国内外现状 | 第13-14页 |
| 1.2.1 基于模板匹配的行人检测 | 第13页 |
| 1.2.2 基于特征分类的行人检测 | 第13-14页 |
| 1.3 行人再识别国内外研究现状 | 第14-18页 |
| 1.3.1 基于行人特征表示的行人再识别方法 | 第15-17页 |
| 1.3.1.1 基于底层特征的行人再识别方法 | 第15-16页 |
| 1.3.1.2 基于语义特征的行人再识别方法 | 第16-17页 |
| 1.3.2 基于距离度量的行人再识别方法 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18-19页 |
| 1.5 章节安排 | 第19-21页 |
| 第二章 监控视频中的行人检测 | 第21-35页 |
| 2.1 引言 | 第21页 |
| 2.2 算法框架描述 | 第21-22页 |
| 2.3 基于学习的背景模型建立 | 第22-23页 |
| 2.4 基于HOG分类器与行人头部轮廓滤波器的行人检测 | 第23-28页 |
| 2.4.1 前景目标区域的提取 | 第23-25页 |
| 2.4.2 行人目标检测 | 第25-28页 |
| 2.5 实验结果及分析 | 第28-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于超像素分割的行人再识别 | 第35-46页 |
| 3.1 引言 | 第35-36页 |
| 3.2 问题描述 | 第36页 |
| 3.3 基于聚类的级联颜色特征 | 第36-37页 |
| 3.4 基于k近邻与超像素分割的特征提取 | 第37-41页 |
| 3.4.1 基于k近邻的行人特征 | 第38-40页 |
| 3.4.1.1 提取前景行人图像 | 第38-39页 |
| 3.4.1.2 提取行人特征 | 第39-40页 |
| 3.4.2 基于超像素分割的特征提取 | 第40-41页 |
| 3.5 基于超像素块的距离度量及行人匹配 | 第41-42页 |
| 3.6 实验结果与分析 | 第42-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第四章 基于部件分割的行人再识别 | 第46-66页 |
| 4.1 引言 | 第46-47页 |
| 4.2 算法框架描述 | 第47-48页 |
| 4.3 行人部件分割 | 第48-56页 |
| 4.3.1 行人头部检测 | 第48-51页 |
| 4.3.1.1 头部特征提取 | 第48-49页 |
| 4.3.1.2 分类器设计及头部检测 | 第49-51页 |
| 4.3.2 行人身体检测 | 第51-52页 |
| 4.3.3 行人手部检测 | 第52-55页 |
| 4.3.3.1 手部特征提取 | 第52-53页 |
| 4.3.3.2 分类器设计及手臂检测 | 第53-55页 |
| 4.3.4 行人腿部检测 | 第55-56页 |
| 4.4 基于部件分割的特征提取 | 第56-58页 |
| 4.4.1 基于部件分割的颜色特征提取 | 第56页 |
| 4.4.2 基于部件分割的纹理特征提取 | 第56-58页 |
| 4.5 基于单个监控视频下的行人匹配 | 第58-60页 |
| 4.6 实验结果与分析 | 第60-65页 |
| 4.7 本章小结 | 第65-66页 |
| 第五章 基于区域分割与特征聚类的行人再识别 | 第66-80页 |
| 5.1 引言 | 第66页 |
| 5.2 算法框架描述 | 第66-67页 |
| 5.3 基于不同区域连接处差异性的行人分割 | 第67-68页 |
| 5.4 基于不同区域的颜色特征提取 | 第68-70页 |
| 5.4.1 基于区域分块的颜色值提取 | 第68-69页 |
| 5.4.2 提取聚类后的颜色特征 | 第69-70页 |
| 5.5 基于不同区域的纹理特征的提取 | 第70-71页 |
| 5.6 基于多个监控视频下的行人匹配 | 第71-72页 |
| 5.7 实验结果与分析 | 第72-75页 |
| 5.8 IVIPC监控系统软件平台模块设计与实现 | 第75-79页 |
| 5.9 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-83页 |
| 6.1 工作总结 | 第80-81页 |
| 6.2 工作展望 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间取得的成果 | 第89-90页 |