| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 基于特征表示的方法 | 第10-11页 |
| 1.2.2 基于相似性度量学习的方法 | 第11-14页 |
| 1.3 行人重识别面临的关键问题 | 第14-16页 |
| 1.3.1 特征表示 | 第14-15页 |
| 1.3.2 行人重识别系统模型 | 第15页 |
| 1.3.3 数据集和评价指标 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 1.5 论文结构安排 | 第17-18页 |
| 第二章 行人重识别相关理论知识 | 第18-33页 |
| 2.1 Retinex图像增强算法 | 第18-19页 |
| 2.2 协同分割 | 第19-22页 |
| 2.2.1 各向异性扩散模型及优化 | 第20页 |
| 2.2.2 图像中的各向异性扩散 | 第20-21页 |
| 2.2.3 基于扩散模型的分割特性 | 第21-22页 |
| 2.3 特征提取基础知识 | 第22-29页 |
| 2.3.1 颜色特征 | 第22-25页 |
| 2.3.2 纹理特征 | 第25-29页 |
| 2.4 相似性度量相关理论 | 第29-32页 |
| 2.4.1 协方差矩阵与马氏距离 | 第29-30页 |
| 2.4.2 KISSME算法 | 第30-31页 |
| 2.4.3 XQDA算法 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于相似性度量的行人重识别 | 第33-41页 |
| 3.1 基于前景分割的特征表示模型 | 第33-36页 |
| 3.2 XQDA算法改进 | 第36-40页 |
| 3.2.1 相似性度量函数 | 第37页 |
| 3.2.2 求解投影矩阵 | 第37-39页 |
| 3.2.3 计算协方差矩阵 | 第39页 |
| 3.2.4 算法具体步骤 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 实验结果与分析 | 第41-49页 |
| 4.1 行人重识别常用数据集 | 第41-42页 |
| 4.2 实验结果 | 第42-48页 |
| 4.2.1 Retinex图像增强算法对实验结果的影响 | 第42-43页 |
| 4.2.2 前景分割对实验结果的影响 | 第43-44页 |
| 4.2.3 特征表示模型比较 | 第44-46页 |
| 4.2.4 相似性度量算法比较 | 第46-48页 |
| 4.2.5 子空间维数对实验结果的影响 | 第48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的论文 | 第54-55页 |
| 致谢 | 第55页 |