| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 国外研究现状 | 第8-10页 |
| 1.2.2 国内研究现状 | 第10-12页 |
| 1.3 交通标志图像检测与识别存在的困难 | 第12页 |
| 1.4 研究内容及章节安排 | 第12-14页 |
| 第2章 交通标志图像检测与识别方法介绍 | 第14-21页 |
| 2.1 道路交通标志图像基础知识 | 第14页 |
| 2.2 交通标志图像检测方法 | 第14-19页 |
| 2.2.1 基于颜色的检测方法 | 第15-17页 |
| 2.2.2 基于形状的检测方法 | 第17-18页 |
| 2.2.3 基于颜色与形状相结合的检测方法 | 第18页 |
| 2.2.4 基于深度学习的检测方法 | 第18-19页 |
| 2.3 交通标志图像识别方法 | 第19-20页 |
| 2.3.1 基于模板匹配的识别方法 | 第19页 |
| 2.3.2 基于特征和分类器的识别方法 | 第19-20页 |
| 2.3.3 基于卷积神经网络的识别方法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 卷积神经网络 | 第21-30页 |
| 3.1 引言 | 第21页 |
| 3.2 卷积神经网络运算思想 | 第21-23页 |
| 3.2.1 稀疏交互(Spareinteractions) | 第21-22页 |
| 3.2.2 参数共享(ParameterSharing) | 第22-23页 |
| 3.3 卷积神经网络结构 | 第23-26页 |
| 3.4 卷积神经网络训练过程 | 第26-28页 |
| 3.5 卷积神经网络的优点 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于FasterR-CNN网络的交通标志图像检测 | 第30-39页 |
| 4.1 引言 | 第30页 |
| 4.2 FasterR-CNN网络 | 第30-33页 |
| 4.2.1 RPN(区域生成)网络 | 第31-33页 |
| 4.2.2 区域生成网络与FastR-CNN网络特征共享 | 第33页 |
| 4.3 基于FasterR-CNN的交通标志检测方法 | 第33-34页 |
| 4.4 实验部分 | 第34-38页 |
| 4.4.1 GTSDB数据集 | 第34-35页 |
| 4.4.2 基于Caffe的FasterR-CNN开源实现介绍 | 第35-36页 |
| 4.4.3 本章检测方法具体实现步骤 | 第36-37页 |
| 4.4.4 实验结果与分析 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 基于改进卷积神经网络的交通标志图像识别 | 第39-51页 |
| 5.1 引言 | 第39页 |
| 5.2 LeNet-5网络结构 | 第39-41页 |
| 5.3 LeNet-5网络结构改进 | 第41-44页 |
| 5.4 本章识别方法具体实现步骤 | 第44-45页 |
| 5.5 实验部分 | 第45-50页 |
| 5.5.1 GTSRB数据集 | 第45-46页 |
| 5.5.2 实验平台 | 第46-47页 |
| 5.5.3 实验结果与分析 | 第47-50页 |
| 5.6 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本文总结 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间取得的各项成果 | 第57-58页 |
| 致谢 | 第58-59页 |
