| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题研究意义 | 第8-9页 |
| 1.2 国内外交通标志检测识别算法研究现状 | 第9-14页 |
| 1.2.1 交通标志检测算法研究现状 | 第9-12页 |
| 1.2.2 交通标志识别算法研究现状 | 第12-14页 |
| 1.3 交通标志识别技术难点 | 第14-16页 |
| 1.4 主要研究内容及创新点 | 第16-17页 |
| 1.5 论文结构安排 | 第17-18页 |
| 2 基于颜色特征和形状特征的交通标志检测 | 第18-49页 |
| 2.1 结合彩色滤波器和二维 OTSU 的彩色分割 | 第18-28页 |
| 2.1.1 简单向量滤波器初分割 | 第19-20页 |
| 2.1.2 彩色滤波器提取交通标志颜色 | 第20-22页 |
| 2.1.3 快速二维 OTSU 阈值分割 | 第22-28页 |
| 2.2 基于形态学和中值滤波的图像去噪 | 第28-30页 |
| 2.2.1 图像中值滤波 | 第28-29页 |
| 2.2.2 数学形态学滤波 | 第29-30页 |
| 2.3 基于几何特征的交通标志初定位 | 第30-32页 |
| 2.4 结合最优角点和对称性的交通标志精确定位 | 第32-47页 |
| 2.4.1 最优角点提取 | 第33-37页 |
| 2.4.2 交通标志中心点定位 | 第37-41页 |
| 2.4.3 三角形检测 | 第41-43页 |
| 2.4.4 矩形检测 | 第43-44页 |
| 2.4.5 圆形检测 | 第44-47页 |
| 2.5 本章小结 | 第47-49页 |
| 3 基于卡尔曼滤波器的交通标志跟踪 | 第49-64页 |
| 3.1 卡尔曼滤波器原理 | 第49-52页 |
| 3.2 基于卡尔曼滤波器的交通标志检测 | 第52-56页 |
| 3.2.1 交通标志大小预测 | 第53-54页 |
| 3.2.2 交通标志位置预测 | 第54页 |
| 3.2.3 Kalman 滤波器参数选择 | 第54-56页 |
| 3.3 改进 Kalman 跟踪系统 | 第56-60页 |
| 3.4 改进 Kalman 跟踪系统与 Camshift 跟踪方法比较 | 第60-63页 |
| 3.5 本章小结 | 第63-64页 |
| 4 基于支持向量机的交通标志识别 | 第64-78页 |
| 4.1 统计学习理论 | 第64-69页 |
| 4.1.1 学习过程一致性 | 第64-66页 |
| 4.1.2 VC 维 | 第66页 |
| 4.1.3 推广能力的界 | 第66-67页 |
| 4.1.4 结构风险最小化 | 第67-69页 |
| 4.2 支持向量机 | 第69-72页 |
| 4.3 基于 SVM 的多层交通标志识别系统设计 | 第72-77页 |
| 4.3.1 CVOG 特征提取 | 第72-73页 |
| 4.3.2 SVM 训练 | 第73-74页 |
| 4.3.3 交叉验证 | 第74页 |
| 4.3.4 基于 SVM 的交通标志分层识别 | 第74-75页 |
| 4.3.5 交通标志识别结果 | 第75-77页 |
| 4.4 本章小结 | 第77-78页 |
| 5 交通标志识别系统设计与实现 | 第78-84页 |
| 5.1 系统功能简介 | 第78-79页 |
| 5.2 系统开发平台 | 第79页 |
| 5.3 系统运行结果 | 第79-83页 |
| 5.4 本章小结 | 第83-84页 |
| 结论 | 第84-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 攻读学位期间发表的与学位论文内容相关的学术论文及研究成果 | 第93页 |
