| 摘要 | 第1-8页 |
| ABSTRACT | 第8-15页 |
| 第一章 绪论 | 第15-32页 |
| ·引言 | 第15页 |
| ·研究目的与意义 | 第15-17页 |
| ·相关技术国内外研究现状 | 第17-26页 |
| ·基于影像的交通标志检测 | 第17-22页 |
| ·基于颜色信息的检测方法 | 第17-20页 |
| ·基于颜色阈值的彩色分割 | 第17-19页 |
| ·基于区域增长的分割方法 | 第19-20页 |
| ·基于颜色索引的分割方法 | 第20页 |
| ·人工神经网络方法 | 第20页 |
| ·基于形状特征的检测方法 | 第20-22页 |
| ·边界分析法 | 第20-21页 |
| ·模板匹配法 | 第21-22页 |
| ·基于影像的交通标志分类 | 第22-25页 |
| ·基于统计的分类方法 | 第22-24页 |
| ·基于聚类分析的交通标志分类 | 第22-23页 |
| ·基于贝叶斯决策的方法 | 第23页 |
| ·基于最近邻方法 | 第23-24页 |
| ·基于神经网络的分类方法 | 第24页 |
| ·基于支持向量机的方法 | 第24-25页 |
| ·基于句法的分类方法 | 第25页 |
| ·存在的问题 | 第25-26页 |
| ·主要研究内容 | 第26-30页 |
| ·研究目标 | 第26页 |
| ·研究内容 | 第26-29页 |
| ·交通标志的快速检测 | 第26-27页 |
| ·交通标志的特征提取和选择 | 第27-28页 |
| ·交通标志的快速分类 | 第28页 |
| ·实验分析与评价 | 第28-29页 |
| ·拟解决的关键问题 | 第29-30页 |
| ·论文的组织结构 | 第30-32页 |
| 第二章 基于颜色概率模型与局部模板的交通标志检测 | 第32-44页 |
| ·引言 | 第32页 |
| ·交通标志的颜色模型分析 | 第32-35页 |
| ·常用颜色模型 | 第32-34页 |
| ·RGB模型 | 第32-33页 |
| ·HSI模型 | 第33-34页 |
| ·YUV模型 | 第34页 |
| ·交通标志的颜色概率模型 | 第34-35页 |
| ·局部模板的形成机制 | 第35-38页 |
| ·基于形状特征的分割 | 第35-36页 |
| ·局部模板的建立 | 第36-38页 |
| ·基于颜色概率模型和局部模板的交通标志检测 | 第38-40页 |
| ·图像的预处理 | 第38-39页 |
| ·图像的剪切 | 第38-39页 |
| ·颜色的相关性的消除 | 第39页 |
| ·融合概率颜色模型和局部模板的交通标志分割 | 第39-40页 |
| ·实验结果 | 第40-43页 |
| ·总结 | 第43-44页 |
| 第三章 基于隐形状模型的交通标志检测 | 第44-58页 |
| ·前言 | 第44页 |
| ·隐形状模型原理 | 第44-51页 |
| ·隐形状模型的训练 | 第44-48页 |
| ·角点检测和描绘子 | 第44-46页 |
| ·特征块的聚类 | 第46-47页 |
| ·隐式形状模型(ISM)的建立 | 第47-48页 |
| ·基于隐式形状模型的检测 | 第48-51页 |
| ·投票机制的建立 | 第49-50页 |
| ·候选目标搜索 | 第50-51页 |
| ·自上而下的分割 | 第51-53页 |
| ·实验分析 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 基于Gabor变换的特征提取 | 第58-74页 |
| ·前言 | 第58页 |
| ·Gabor小波基础 | 第58-69页 |
| ·一维Gabor函数 | 第59-60页 |
| ·二维Gabor函数 | 第60-64页 |
| ·Gabor张量滤波器的参数选择 | 第64-66页 |
| ·基于Gabor滤波器组的图像展开 | 第66-67页 |
| ·基于Gabor滤波器组的特征提取 | 第67-68页 |
| ·基于Gabor滤波器组的矩特征提取 | 第68-69页 |
| ·二维Gabor滤波器组在交通标志应用中的响应 | 第69-73页 |
| ·边缘响应 | 第69-70页 |
| ·亮度响应 | 第70-71页 |
| ·Gabor特征矩响应 | 第71-73页 |
| ·小结 | 第73-74页 |
| 第五章 交通标志特征选取 | 第74-108页 |
| ·前言 | 第74页 |
| ·多线性代数基础 | 第74-77页 |
| ·基于改进的MPCA的特征选择 | 第77-86页 |
| ·MPCA的基本原理 | 第77-80页 |
| ·MPCA与PCA、2DPCA的关系 | 第80-81页 |
| ·改进MPCA与MPCA的关系 | 第81页 |
| ·基于改进MPCA的交通标志特征提取 | 第81-83页 |
| ·张量子空间的构造 | 第81-82页 |
| ·训练样本的特征提取 | 第82-83页 |
| ·实验结果分析 | 第83-86页 |
| ·基于改进的多线性可分性判别分析的特征选择(MDA) | 第86-101页 |
| ·张量可分性判别准则(Discriminant Tensor Criterion) | 第87-88页 |
| ·张量可分性判别准则优化 | 第88-92页 |
| ·MDA的基本原理 | 第92-96页 |
| ·MDA和改进MDA的关系 | 第96页 |
| ·基于改进MDA的交通标志特征提取 | 第96-98页 |
| ·张量子空间的构造 | 第96-97页 |
| ·训练样本的特征提取 | 第97-98页 |
| ·实验结果分析 | 第98-101页 |
| ·融合MPCA和MDA的特征选择 | 第101-107页 |
| ·融合改进MPCA和MDA的基本原理 | 第102-103页 |
| ·融合MPCA和MDA算法的交通标志特征提取 | 第103-105页 |
| ·张量子空间的构造 | 第104页 |
| ·训练样本的特征提取 | 第104-105页 |
| ·实验结果分析 | 第105-107页 |
| ·小结 | 第107-108页 |
| 第六章 基于AdaBoost算法的标志分类 | 第108-127页 |
| ·前言 | 第108页 |
| ·AdaBoost算法简介 | 第108-117页 |
| ·AdaBoost算法原理 | 第109-110页 |
| ·AdaBoost理论分析 | 第110-113页 |
| ·AdaBoost算法与最大贝叶斯后验估计关系 | 第113-114页 |
| ·AdaBoost算法与前向逐步递增加法建模关系 | 第114-115页 |
| ·AdaBoost多类别算法 | 第115-117页 |
| ·基于AdaBoost算法的交通标志分类 | 第117-120页 |
| ·算法的特征选择和提取 | 第117-119页 |
| ·弱学习器的选择 | 第119-120页 |
| ·实验结果分析 | 第120-125页 |
| ·不同特征之间的比较 | 第120-123页 |
| ·不同方法之间的比较 | 第123-125页 |
| ·小结 | 第125-127页 |
| 第七章 总结和展望 | 第127-131页 |
| ·论文总结 | 第127-128页 |
| ·主要创新点 | 第128-129页 |
| ·研究展望 | 第129-131页 |
| 参考文献 | 第131-139页 |
| 致谢 | 第139-140页 |
| 作者在读博时发表的文章 | 第140页 |