| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-19页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-17页 |
| 1.2.1 基于特征表示方法研究现状 | 第9-13页 |
| 1.2.2 基于模型学习方法研究现状 | 第13-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 2 基于HSV特征和自适应距离度量学习的行人重识别研究 | 第19-34页 |
| 2.1 基于空间颜色特性的特征提取 | 第19-21页 |
| 2.1.1 HSV颜色空间 | 第19-20页 |
| 2.1.2 特征提取 | 第20-21页 |
| 2.2 自适应距离度量学习方法 | 第21-27页 |
| 2.2.1 紧缩扩展自适应约束 | 第22-23页 |
| 2.2.2 正则化 | 第23-25页 |
| 2.2.3 交叉验证 | 第25页 |
| 2.2.4 M-SEMAL算法 | 第25-27页 |
| 2.3 系统设计 | 第27-28页 |
| 2.4 实验仿真分析 | 第28-33页 |
| 2.4.1 数据库 | 第28-29页 |
| 2.4.2 行人重识别的评估方法 | 第29-30页 |
| 2.4.3 实验结果分析 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于深度学习的行人重识别研究 | 第34-53页 |
| 3.1 特征提取 | 第34-46页 |
| 3.1.1 卷积层 | 第36-37页 |
| 3.1.2 池化层 | 第37页 |
| 3.1.3 ReLU层 | 第37-39页 |
| 3.1.4 全连接层 | 第39-41页 |
| 3.1.5 Softmax回归 | 第41-42页 |
| 3.1.6 BP算法调参优化过程 | 第42-45页 |
| 3.1.7 Caffe下网络模型训练 | 第45-46页 |
| 3.2 基于深度学习的行人重识别系统设计 | 第46-47页 |
| 3.3 实验仿真分析 | 第47-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 总结与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 附录 | 第62页 |
| A 作者在攻读学位期间发表和撰写的论文 | 第62页 |
| B 作者在攻读学位期间申请的发明专利 | 第62页 |
| C 作者在攻读学位期间获得的荣誉奖励 | 第62页 |