第1章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 6
1.2.1 基于特征学习与度量学习的行人重识别方法 6
1.2.2 基于局部特征的行人重识别方法 9
1.2.3 基于图像注意力的行人重识别方法 14
1.2.4 针对遮挡场景的行人重识别方法 16
1.2.5 当前亟待解决的问题 19
1.2.6 发展趋势 22
1.3 本书的研究内容和主要贡献 23
1.4 本书的结构与内容安排 26
参考文献 28
第2章 相关背景的基础理论 38
2.1 深度学习基础 38
2.1.1 深度学习概述 38
2.1.2 卷积神经网络概述 40
2.2 行人重识别基准网络 43
2.2.1 骨干网络 44
2.2.2 损失函数 50
2.2.3 模型训练 52
2.3 行人重识别数据集 53
2.3.1 常规行人重识别数据集 53
2.3.2 遮挡行人重识别数据集 55
2.4 评价指标 56
2.5 本章小结 58
参考文献 58

第3章 基于局部全局关系特征的行人重识别方法 62
3.1 引言 62
3.2 全局关系网络结构 65
3.2.1 特征提取网络（FEN） 66
3.2.2 全局关系模块（GCM） 66
3.2.3 网络关键参数 69
3.3 损失函数 70
3.4 潜在相似网络结构 71
3.5 实验与分析 74
3.5.1 实验环境设置 74
3.5.2 GCN在mAP上的改进 74
3.5.3 GCM模块对GCN性能的影响 76
3.5.4 GCN与余量模型（One-vs.-rest）的性能比较 77
3.5.5 补充特征对模型性能的影响 78
3.5.6 参数p对模型性能的影响 79
3.5.7 GCN与其他先进方法的比较 80
3.6 本章小结 82
参考文献 83
第4章 基于颜色鲁棒特征融合的行人重识别方法 88
4.1 引言 88
4.2 CFFNet的结构 91
4.2.1 颜色鲁棒特征 92
4.2.2 RNAM模块的结构 93
4.3 损失函数 95
4.4 实验与分析 96
4.4.1 实验环境设置 96
4.4.2 消融实验 96
4.4.3 CFFNet与其他先进方法的比较 104
4.5 本章小结 106
参考文献 106


第5章 基于人体姿态估计信息引导与区域特征融合的遮挡行人重识别方法 111
5.1 引言 111
5.2 PRFFN的结构 114
5.2.1 FEN模块 114
5.2.2 PFEN模块 115
5.2.3 RFFN模块 117
5.3 损失函数 119
5.4 实验与分析 120
5.4.1 实验环境设置 120
5.4.2 消融实验 120
5.4.3 PRFFN与其他先进方法的比较 123
5.5 本章小结 126
参考文献 127
第6章 基于人体姿态估计信息引导的半监督行人重识别方法 131
6.1 引言 131
6.2 网络框架介绍 134
6.2.1 S-stream子网络 134
6.2.2 T-stream子网络 136
6.2.3 模型训练 138
6.3 实验与分析 139
6.3.1 实验环境设置 139
6.3.2 消融实验 139
6.3.3 PARNet与其他先进方法的比较 143
6.4 本章小结 147
参考文献 148