面向人流量统计的顾客识别技术研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 论文研究背景及意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文创新点 | 第16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 1.6 本章小节 | 第17-18页 |
| 第2章 相关技术概述 | 第18-28页 |
| 2.1 深度学习概述 | 第18-19页 |
| 2.2 目标检测任务介绍 | 第19-24页 |
| 2.2.1 基于区域建议的目标检测与识别算法 | 第19-24页 |
| 2.2.2 基于回归的目标检测与识别算法 | 第24页 |
| 2.3 行人重识别算法 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于多特征度量的行人重识别算法 | 第28-44页 |
| 3.1 基于人脸特征的距离度量 | 第28-30页 |
| 3.1.1 k反邻的定义与计算 | 第28-29页 |
| 3.1.2 jaccard 距离定义与计算 | 第29页 |
| 3.1.3 重新表达图片库中的每张图 | 第29页 |
| 3.1.4 人脸最终距离表示 | 第29-30页 |
| 3.2 基于人体特征的距离度量 | 第30-32页 |
| 3.2.1 浅层行人特征提取 | 第31页 |
| 3.2.2 人体组合帧特征提取网络 | 第31-32页 |
| 3.2.3 人体距离表示 | 第32页 |
| 3.2.4 最终距离度量 | 第32页 |
| 3.3 实验 | 第32-40页 |
| 3.3.1 实验环境 | 第33页 |
| 3.3.2 特征提取网络 | 第33-35页 |
| 3.3.3 预训练模型参数 | 第35-39页 |
| 3.3.4 实验结果及说明 | 第39-40页 |
| 3.3.5 评估指标 | 第40页 |
| 3.4 CUHK03数据集实验 | 第40-42页 |
| 3.5 本文数据集实验 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 应用实例 | 第44-53页 |
| 4.1 应用背景介绍 | 第44页 |
| 4.2 数据的采集和算法应用 | 第44-46页 |
| 4.3 顾客年龄性别分类任务 | 第46-50页 |
| 4.4 系统模块展示 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-56页 |
| 5.1 全文总结 | 第53-54页 |
| 5.2 不足 | 第54-55页 |
| 5.3 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间参加的科研项目和成果 | 第61页 |
