摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第12-14页 |
缩略语对照表 | 第14-18页 |
第一章 绪论 | 第18-24页 |
1.1 研究的背景及意义 | 第18页 |
1.2 研究现状及发展动态 | 第18-22页 |
1.2.1 道路检测研究现状 | 第18-20页 |
1.2.2 交通标志牌检测研究现状 | 第20-22页 |
1.3 道路检测和交通标志检测的难点分析 | 第22页 |
1.3.1 道路检测的难点分析 | 第22页 |
1.3.2 交通标志检测的难点分析 | 第22页 |
1.4 论文的研究内容及结构 | 第22-24页 |
第二章 道路检测和交通标志检测的算法研究 | 第24-38页 |
2.1 引言 | 第24页 |
2.2 道路检测的算法研究 | 第24-28页 |
2.2.1 基于区域的图像分割 | 第24-26页 |
2.2.2 基于边缘的图像分割 | 第26页 |
2.2.3 基于阈值的图像分割 | 第26-27页 |
2.2.4 基于特定理论的图像分割 | 第27-28页 |
2.3 交通标志检测算法研究 | 第28-37页 |
2.3.1 交通标志概述 | 第28-29页 |
2.3.2 几种常用的颜色空间 | 第29-31页 |
2.3.3 颜色直方图 | 第31-32页 |
2.3.4 匹配检测 | 第32-35页 |
2.3.5 两种目标检测常用的图像局部特征 | 第35-36页 |
2.3.6 机器学习理论及其常用的分类算法 | 第36-37页 |
2.4 本章小结 | 第37-38页 |
第三章 基于改进图割算法的航拍影像交通道路检测 | 第38-60页 |
3.1 引言 | 第38页 |
3.2 GraphCuts原理 | 第38-44页 |
3.2.1 图的理论 | 第38-40页 |
3.2.2 最大流与最小割 | 第40-41页 |
3.2.3 代价函数的建立 | 第41-42页 |
3.2.4 图的构造 | 第42-43页 |
3.2.5 能量函数的最小化 | 第43-44页 |
3.3 改进GraphCuts平滑项的图割算法 | 第44-50页 |
3.3.1 显著性计算 | 第44-47页 |
3.3.2 Gibbs能量函数 | 第47-48页 |
3.3.3 数据项构建 | 第48-49页 |
3.3.4 改进平滑项构建 | 第49-50页 |
3.4 算法实验分析 | 第50-59页 |
3.4.1 算法框架 | 第50-51页 |
3.4.2 算法性能测试 | 第51-53页 |
3.4.3 算法的像素级评价 | 第53-59页 |
3.5 本章小结 | 第59-60页 |
第四章 基于改进RGB颜色增强的航拍影像的交通标志检测 | 第60-86页 |
4.1 引言 | 第60页 |
4.2 图像预处理 | 第60-63页 |
4.2.1 图像去噪 | 第60-62页 |
4.2.2 直方图均衡化 | 第62-63页 |
4.3 改进RGB空间颜色特征的增强与ROI提取 | 第63-70页 |
4.3.1 改进RGB空间的颜色特征增强 | 第63-65页 |
4.3.2 基于形态学的ROI粗提取 | 第65-67页 |
4.3.3 形状匹配 | 第67-68页 |
4.3.4 ROI的精确提取 | 第68-70页 |
4.4 彩色HOG特征提取 | 第70-75页 |
4.4.1 彩色HOG特征提取 | 第70页 |
4.4.2 颜色空间归一化 | 第70-72页 |
4.4.3 计算图像的梯度 | 第72-73页 |
4.4.4 Cell梯度方向直方图的统计 | 第73-74页 |
4.4.5 区域中块的划分和计算 | 第74-75页 |
4.4.6 block中HOG的归一化 | 第75页 |
4.5 训练分类器 | 第75-78页 |
4.5.1 样本的HOG提取 | 第75-77页 |
4.5.2 核函数的选取 | 第77页 |
4.5.3 交叉检验 | 第77-78页 |
4.6 算法实验分析 | 第78-85页 |
4.6.1 算法框架 | 第78-79页 |
4.6.2 算法性能测试 | 第79-81页 |
4.6.3 算法实验评价 | 第81-85页 |
4.7 本章小结 | 第85-86页 |
第五章 总结与展望 | 第86-88页 |
5.1 总结 | 第86-87页 |
5.2 研究展望 | 第87-88页 |
参考文献 | 第88-92页 |
致谢 | 第92-94页 |
作者简介 | 第94-95页 |