| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 序 | 第9-12页 |
| 1 引言 | 第12-22页 |
| ·论文的研究背景及意义 | 第12-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·交通标志的特点 | 第14-16页 |
| ·交通标志识别的研究现状 | 第16-19页 |
| ·LBP的研究现状 | 第19-20页 |
| ·本论文研究内容 | 第20页 |
| ·本论文研究方案与技术路线 | 第20-21页 |
| ·本论文各章内容安排 | 第21页 |
| ·本章小结 | 第21-22页 |
| 2 经典LBP算法研究 | 第22-30页 |
| ·LBP原理 | 第22-28页 |
| ·LBP算法简介 | 第22-23页 |
| ·LBP算子模式 | 第23-28页 |
| ·基于经典LBP算法的交通标志特征提取 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 基于颜色角度模型和分区模型改进的LBP算法研究 | 第30-43页 |
| ·基于颜色角度模型的交通标志LBP特征提取 | 第30-37页 |
| ·典型的颜色空间 | 第30-33页 |
| ·基于颜色角度模型的特征提取 | 第33-34页 |
| ·实验结果分析 | 第34-37页 |
| ·基于分区模型的交通标志LBP特征提取 | 第37-41页 |
| ·对数极坐标映射 | 第37-38页 |
| ·基于分区模型的特征提取 | 第38-39页 |
| ·实验结果分析 | 第39-41页 |
| ·特征融合 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于SVM的交通标志分类与识别 | 第43-57页 |
| ·机器学习与统计学理论 | 第43-47页 |
| ·机器学习 | 第43-45页 |
| ·统计学理论 | 第45-47页 |
| ·支持向量机原理 | 第47-52页 |
| ·SVM算法简介 | 第47-50页 |
| ·LIBSVM | 第50-52页 |
| ·基于SVM的分类算法介绍与结果分析 | 第52-56页 |
| ·本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| ·本文总结 | 第57页 |
| ·工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 作者简历 | 第63-65页 |
| 学位论文数据集 | 第65页 |