| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 行人重识别技术的国内外研究现状 | 第10-13页 |
| 1.2.1 行人图像特征提取 | 第10-12页 |
| 1.2.2 距离度量学习 | 第12-13页 |
| 1.3 课题研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 2 行人重识别相关技术介绍 | 第15-25页 |
| 2.1 行人重识别基本框架 | 第15页 |
| 2.2 行人重识别中的典型特征 | 第15-18页 |
| 2.2.1 颜色特征 | 第16页 |
| 2.2.2 LBP特征 | 第16-17页 |
| 2.2.3 CNN特征 | 第17-18页 |
| 2.3 距离度量学习 | 第18-20页 |
| 2.3.1 KISSME | 第18-19页 |
| 2.3.2 XQDA | 第19-20页 |
| 2.4 行人重识别相关网络介绍 | 第20-25页 |
| 2.4.1 基于Siamese网络的行人重识别方法 | 第20-21页 |
| 2.4.2 基于BRNN的行人重识别方法 | 第21-22页 |
| 2.4.3 基于时间记忆相似性学习的图像到视频的行人重识别方法 | 第22-25页 |
| 3 基于自适应预测模式的LSTM网络行人重识别 | 第25-35页 |
| 3.1 基于自适应预测模式的LSTM网络行人重识别系统框架 | 第25-26页 |
| 3.2 特征提取 | 第26-29页 |
| 3.2.1 LBP&Color特征提取 | 第26-27页 |
| 3.2.2 LSTM(LongShort-TermMemory)特征提取 | 第27-29页 |
| 3.3 自适应预测模式选择 | 第29-33页 |
| 3.3.1 设计网络 | 第30-31页 |
| 3.3.2 APM-Net网络的训练及测试 | 第31-32页 |
| 3.3.3 提取基于自适应预测模式的特征 | 第32-33页 |
| 3.4 XQDA距离计算 | 第33-35页 |
| 4 实验结果及分析 | 第35-47页 |
| 4.1 数据集和实验环境 | 第35-36页 |
| 4.1.1 行人重识别相关数据集介绍 | 第35-36页 |
| 4.1.2 实验环境介绍 | 第36页 |
| 4.2 基于自适应预测模式的LSTM网络行人重识别中的相关数据准备 | 第36-39页 |
| 4.2.1 前向、后向LSTM网络相关数据准备 | 第36-37页 |
| 4.2.2 自适应预测模式选择网络相关数据准备 | 第37-39页 |
| 4.3 结果与分析 | 第39-46页 |
| 4.3.1 行人重识别的评价标准 | 第39页 |
| 4.3.2 客观评测 | 第39-44页 |
| 4.3.3 主观评测 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 工作总结 | 第47页 |
| 5.2 研究展望 | 第47-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-53页 |
