| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究的国内外现状 | 第10-13页 |
| 1.2.1 交通标志检测的相关技术 | 第12页 |
| 1.2.2 交通标志分类识别的相关技术 | 第12-13页 |
| 1.3 课题研究的主要内容及论文结构 | 第13-15页 |
| 第二章 交通标志识别系统及关键技术 | 第15-21页 |
| 2.1 道路交通标志简介 | 第15-17页 |
| 2.2 交通标志识别系统框架 | 第17-19页 |
| 2.3 交通标志识别的复杂性 | 第19-20页 |
| 2.4 本章总结 | 第20-21页 |
| 第三章 基于 AdaBoost 算法的交通标志检测 | 第21-39页 |
| 3.1 Haarlike 特征和积分图 | 第21-25页 |
| 3.1.1 Haarlike 特征提取 | 第21-23页 |
| 3.1.2 积分图 | 第23-25页 |
| 3.2 AdaBoost 算法理论基础 | 第25-29页 |
| 3.2.1 Boost 算法概述 | 第25-27页 |
| 3.2.2 Gentle AdaBoost 算法 | 第27-28页 |
| 3.2.3 级联分类器 | 第28-29页 |
| 3.3 融合改进 Haarlike 特征的交通标志检测 | 第29-38页 |
| 3.3.1 算法流程 | 第29-30页 |
| 3.3.2 改进的 Haarlike 特征 | 第30-31页 |
| 3.3.3 基于 HSV 彩色空间的交通标志分割 | 第31-34页 |
| 3.3.4 实验结果与分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于深层神经网络的交通标志识别 | 第39-55页 |
| 4.1 交通标志识别算法概述 | 第39-41页 |
| 4.1.1 特征提取算法 | 第40-41页 |
| 4.1.2 机器学习算法 | 第41页 |
| 4.2 人工神经元模型 | 第41-43页 |
| 4.3 卷积神经网络 | 第43-47页 |
| 4.3.1 卷积神经网络的发展 | 第43-44页 |
| 4.3.2 卷积神经网络的结构 | 第44-45页 |
| 4.3.3 卷积神经网络的特点 | 第45-47页 |
| 4.4 基于改进的卷积神经网络的交通标志分类 | 第47-54页 |
| 4.4.1 图像预处理 | 第47-49页 |
| 4.4.2 改进的卷积神经网络 | 第49-50页 |
| 4.4.3 学习算法 | 第50-52页 |
| 4.4.4 实验结果与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 结论 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间所取得的相关科研成果 | 第61-63页 |
| 致谢 | 第63-64页 |