基于卷积神经网络的交通标志识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究中存在的主要难点 | 第14-15页 |
| 1.4 主要研究内容及组织结构 | 第15-17页 |
| 第2章 交通标志检测与识别相关理论 | 第17-33页 |
| 2.1 交通标志的基本特征 | 第17-18页 |
| 2.2 检测与识别算法中的关键技术 | 第18-25页 |
| 2.2.1 图像预处理 | 第18-19页 |
| 2.2.2 交通标志检测算法 | 第19-21页 |
| 2.2.3 特征提取算法 | 第21-22页 |
| 2.2.4 交通标志识别算法 | 第22-25页 |
| 2.3 特征提取从浅层向深层的发展 | 第25-32页 |
| 2.3.1 深度学习概述 | 第25-26页 |
| 2.3.2 稀疏自编码器 | 第26-27页 |
| 2.3.3 深度置信网络 | 第27-29页 |
| 2.3.4 卷积神经网络 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于颜色增强的交通标志检测算法研究与实现 | 第33-47页 |
| 3.1 基于多通道融合图像的感兴趣区域提取方法 | 第33-37页 |
| 3.1.1 最大稳定极值区域方法 | 第33-35页 |
| 3.1.2 基于颜色增强的图像处理 | 第35-36页 |
| 3.1.3 多通道融合的最大稳定极值区域 | 第36-37页 |
| 3.2 基于DtB特征的形状判定方法 | 第37-41页 |
| 3.2.1 感兴趣区域的DtB特征描述 | 第37-38页 |
| 3.2.2 朴素贝叶斯分类器的形状筛选 | 第38-40页 |
| 3.2.3 感兴趣区域的融合 | 第40-41页 |
| 3.3 实验结果 | 第41-45页 |
| 3.3.1 数据集介绍 | 第41页 |
| 3.3.2 数据准备 | 第41-43页 |
| 3.3.3 实验结果与分析 | 第43-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 卷积神经网络的改进及设计 | 第47-63页 |
| 4.1 基于空间变换的卷积神经网络 | 第47-51页 |
| 4.1.1 定位网络 | 第48页 |
| 4.1.2 采样栅格生成 | 第48-49页 |
| 4.1.3 插值采样器 | 第49-51页 |
| 4.2 多尺度并联卷积核网络 | 第51-54页 |
| 4.2.1 多尺度并联卷积设计 | 第51-52页 |
| 4.2.2 改进的多尺度并联结构 | 第52-54页 |
| 4.3 目标分类网络设计 | 第54-61页 |
| 4.3.1 激活函数的选择 | 第54-56页 |
| 4.3.2 Softmax分类器 | 第56-58页 |
| 4.3.3 防止过拟合的策略 | 第58-59页 |
| 4.3.4 分类网络拓扑结构 | 第59-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 交通标志检测与识别系统设计 | 第63-71页 |
| 5.1 目标识别网络实验 | 第63-67页 |
| 5.1.1 数据准备 | 第63-64页 |
| 5.1.2 实验结果与分析 | 第64-67页 |
| 5.2 检测与识别系统设计与实验 | 第67-70页 |
| 5.2.1 算法流程 | 第67-68页 |
| 5.2.2 实验结果 | 第68-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
