基于图论的交通标志检测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-19页 |
| 1.1 论文研究的背景及意义 | 第12-13页 |
| 1.2 交通标志检测的研究现状 | 第13-16页 |
| 1.3 复杂背景下交通标志检测的难点 | 第16页 |
| 1.4 本文主要内容和安排 | 第16-19页 |
| 1.4.1 主要研究内容 | 第17页 |
| 1.4.2 论文各章安排 | 第17-19页 |
| 2 基于图论的区域检测 | 第19-26页 |
| 2.1 图论的基础研究 | 第19-21页 |
| 2.1.1 图的定义 | 第19-20页 |
| 2.1.2 有向图和无向图 | 第20-21页 |
| 2.1.3 图的边和结点关系 | 第21页 |
| 2.1.4 有权图 | 第21页 |
| 2.2 图的矩阵表示 | 第21-23页 |
| 2.2.1 关联矩阵 | 第22页 |
| 2.2.2 邻接矩阵 | 第22-23页 |
| 2.3 基于图论的图像处理技术的优势 | 第23-24页 |
| 2.4 基于图论的显著性区域检测 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于图论的交通标志检测系统 | 第26-44页 |
| 3.1 直方图均衡化 | 第26-28页 |
| 3.2 图论定义 | 第28-30页 |
| 3.3 交通标志显著性区域 | 第30-31页 |
| 3.4 基于指定颜色及显著性的排序算法 | 第31-36页 |
| 3.5 交通标志区域分割 | 第36-43页 |
| 3.5.1 多阈值分割 | 第36-39页 |
| 3.5.2 基于形状的区域融合和切割 | 第39-43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 基于方向梯度直方图和SVM结合的交通标志识别 | 第44-56页 |
| 4.1 统计学习理论和支持向量机 | 第44-50页 |
| 4.1.1 统计学习理论 | 第44-46页 |
| 4.1.2 支持向量机 | 第46-50页 |
| 4.2 HOG特征简介 | 第50-54页 |
| 4.2.1 HOG主要思想及优点 | 第50-51页 |
| 4.2.2 HOG特征提取算法的实现过程 | 第51-54页 |
| 4.3 HOG+SVM分类器 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 实验结论 | 第56-65页 |
| 5.1 | 第56-64页 |
| 5.1.1 实验数据库 | 第56-58页 |
| 5.1.2 参数设定 | 第58-59页 |
| 5.1.3 交通标志检测实验 | 第59页 |
| 5.1.4 与现有先进的交通标志检测算法比较 | 第59-61页 |
| 5.1.5 检测结果 | 第61页 |
| 5.1.6 识别结果 | 第61-62页 |
| 5.1.7 处理时间 | 第62页 |
| 5.1.8 实验结论 | 第62-64页 |
| 5.2 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-68页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
