| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 课题研究背景 | 第8-10页 |
| 1.2 图像识别的发展及其应用 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 交通标志检测与分割的研究现状 | 第11-13页 |
| 1.3.2 交通标志的分类识别的研究现状 | 第13-14页 |
| 1.4 识别交通标志存在的问题 | 第14-15页 |
| 1.5 课题研究内容及论文组织结构 | 第15-17页 |
| 1.5.1 课题研究内容 | 第15页 |
| 1.5.2 论文组织结构 | 第15-17页 |
| 第二章 交通标志识别系统设计 | 第17-27页 |
| 2.1 交通标志的基本知识 | 第17-19页 |
| 2.2 交通标志识别系统框架 | 第19-20页 |
| 2.3 图像的采集 | 第20页 |
| 2.4 图像的分割 | 第20-22页 |
| 2.4.1 图像分割的基本含义 | 第20-21页 |
| 2.4.2 图像分割的基本方法 | 第21-22页 |
| 2.5 特征提取 | 第22-24页 |
| 2.5.1 结构特征 | 第22-23页 |
| 2.5.2 统计特征 | 第23-24页 |
| 2.6 特征识别 | 第24-26页 |
| 2.6.1 目标匹配 | 第24-25页 |
| 2.6.2 交通标志分类 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 交通标志的检测和分割 | 第27-33页 |
| 3.1 交通标志的检测 | 第27-31页 |
| 3.1.1 基于RGB彩色空间的交通标志检测方法 | 第27-28页 |
| 3.1.2 另一种基于RGB模型的交通标志检测方法 | 第28-31页 |
| 3.2 交通标志的分割 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 不变矩在图像识别中的应用 | 第33-43页 |
| 4.1 矩和不变矩 | 第34-40页 |
| 4.1.1 几何矩 | 第35页 |
| 4.1.2 低阶矩的性质 | 第35-37页 |
| 4.1.3 代数不变矩 | 第37-39页 |
| 4.1.4 边界矩（Chen矩） | 第39-40页 |
| 4.2 不变矩改进算法 | 第40页 |
| 4.3 实验结果 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于BP神经网络的交通标志的识别 | 第43-59页 |
| 5.1 识别算法简介 | 第43-44页 |
| 5.1.1 统计特征识别方法 | 第43页 |
| 5.1.2 结构特征识别方法 | 第43页 |
| 5.1.3 神经网络识别方法 | 第43-44页 |
| 5.2 神经网络简介 | 第44-47页 |
| 5.2.1 人工神经网络的发展历史 | 第44页 |
| 5.2.2 神经网络的应用和特点 | 第44-45页 |
| 5.2.3 神经网络模型 | 第45-46页 |
| 5.2.4 神经网络的学习方法 | 第46页 |
| 5.2.5 神经网络的学习规则 | 第46页 |
| 5.2.6 神经网络的结构 | 第46-47页 |
| 5.3 BP神经网络 | 第47-53页 |
| 5.3.1 基本BP算法 | 第48-49页 |
| 5.3.2 误差曲面 | 第49-50页 |
| 5.3.3 BP算法存在的问题及其改进 | 第50-51页 |
| 5.3.4 Levenberg-Marquard算法 | 第51-52页 |
| 5.3.5 神经网络的参数设计 | 第52-53页 |
| 5.4 BP神经网络设计及仿真结果 | 第53-58页 |
| 5.4.1 BP神经网络的设计 | 第53-54页 |
| 5.4.2 仿真实验与结果分析 | 第54-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和科研情况说明 | 第65-66页 |
| 致谢 | 第66页 |