基于深度学习的交通标志识别
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 TSDR系统国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 交通标志识别面临的挑战 | 第15-16页 |
| 1.4 论文研究内容和组织结构 | 第16-18页 |
| 第二章 交通标志识别方法介绍 | 第18-27页 |
| 2.1 道路交通标志 | 第18-19页 |
| 2.2 交通标志检测算法概述 | 第19-24页 |
| 2.2.1 基于颜色的检测算法 | 第19-23页 |
| 2.2.2 基于形状的检测算法 | 第23-24页 |
| 2.2.3 基于特征学习的检测算法 | 第24页 |
| 2.3 交通标志分类方法概述 | 第24-26页 |
| 2.3.1 传统的分类方法 | 第25页 |
| 2.3.2 基于深度学习的分类方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 交通标志的检测 | 第27-47页 |
| 3.1 候选区域提取 | 第27-30页 |
| 3.1.1 HSV颜色分割 | 第27-28页 |
| 3.1.2 最大稳定极值区域检测 | 第28-30页 |
| 3.2 候选区域识别 | 第30-38页 |
| 3.2.1 HOG特征 | 第31-32页 |
| 3.2.2 改进的HOG特征 | 第32-35页 |
| 3.2.3 SVM二分类 | 第35-38页 |
| 3.3 交通标志检测算法完整流程 | 第38-39页 |
| 3.4 实验及分析 | 第39-46页 |
| 3.4.1 数据集介绍 | 第39-40页 |
| 3.4.2 实验环境介绍 | 第40-41页 |
| 3.4.3 实验过程及结果分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 交通标志的分类 | 第47-71页 |
| 4.1 卷积神经网络 | 第47-51页 |
| 4.1.1 CNN的网络结构 | 第47-51页 |
| 4.1.2 CNN的训练 | 第51页 |
| 4.2 空间变换网络模块 | 第51-56页 |
| 4.2.1 局部网络结构 | 第53-54页 |
| 4.2.2 参数化采样网格 | 第54-56页 |
| 4.3 极限学习机分类器 | 第56-60页 |
| 4.4 交通标志分类算法完整流程 | 第60-63页 |
| 4.5 实验及分析 | 第63-69页 |
| 4.5.1 实验数据集的介绍 | 第63-65页 |
| 4.5.2 实验环境 | 第65页 |
| 4.5.3 实验过程及分析 | 第65-69页 |
| 4.6 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-75页 |
| 5.1 全文总结 | 第71-73页 |
| 5.2 未来展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
