| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 行人再识别研究背景和意义 | 第7页 |
| 1.2 行人再识别发展现状 | 第7-11页 |
| 1.2.1 行人特征表达 | 第8-10页 |
| 1.2.2 相似性度量 | 第10-11页 |
| 1.3 行人再识别面临的挑战 | 第11-12页 |
| 1.4 论文的章节安排 | 第12-13页 |
| 2 行人再识别相关技术 | 第13-25页 |
| 2.1 前言 | 第13页 |
| 2.2 LOMO特征提取 | 第13-17页 |
| 2.2.1 HSV颜色直方图 | 第13-15页 |
| 2.2.2 SILTP纹理特征 | 第15-16页 |
| 2.2.3 LOMO特征 | 第16-17页 |
| 2.3 相似性度量学习方法 | 第17-19页 |
| 2.3.1 KISSME度量学习 | 第17-18页 |
| 2.3.2 XQDA度量学习 | 第18-19页 |
| 2.4 性能评价标准 | 第19-20页 |
| 2.5 常用数据库 | 第20-23页 |
| 2.6 本章小结 | 第23-25页 |
| 3 基于卷积神经网络的行人再识别 | 第25-41页 |
| 3.1 前言 | 第25页 |
| 3.2 卷积神经网络的介绍 | 第25-33页 |
| 3.2.1 卷积神经网络的基本层 | 第26-28页 |
| 3.2.2 卷积神经网络正反向传播 | 第28-33页 |
| 3.3 Res Net网络模型 | 第33-36页 |
| 3.3.1 Res Net结构分析 | 第34-35页 |
| 3.3.2 Res Net模型特点 | 第35-36页 |
| 3.4 实验与分析 | 第36-39页 |
| 3.4.1 不同相似性匹配方法的比较 | 第36-37页 |
| 3.4.2 Res Net50网络特征与LOMO特征的比较 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 基于多置信度重排序的行人再识别 | 第41-55页 |
| 4.1 前言 | 第41-42页 |
| 4.2 互相似判别原理 | 第42-43页 |
| 4.3 置信区间与置信权值 | 第43-46页 |
| 4.3.1 候选目标的聚类 | 第43页 |
| 4.3.2 置信区间的建立 | 第43-44页 |
| 4.3.3 置信权值的设置 | 第44-46页 |
| 4.4 相似性重排序 | 第46-49页 |
| 4.4.1 Jaccard距离 | 第46-48页 |
| 4.4.2 相似性融合 | 第48-49页 |
| 4.5 实验与分析 | 第49-54页 |
| 4.5.1 Market-1501 数据集实验与分析 | 第50-51页 |
| 4.5.2 CUHK03数据集实验与分析 | 第51-52页 |
| 4.5.3 MARS数据集实验与分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表论文、科研及获奖情况 | 第63页 |
| 已发表论文 | 第63页 |
| 参与的科研与教学工作 | 第63页 |
| 获奖情况 | 第63页 |