| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 前言 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 研究机构及研究成果 | 第10-11页 |
| 1.2.2 理论研究现状 | 第11-15页 |
| 1.3 技术难点及发展趋势 | 第15-16页 |
| 1.3.1 交通标志识别的技术难点 | 第15-16页 |
| 1.3.2 总体发展趋势 | 第16页 |
| 1.4 主要研究内容和章节安排 | 第16-18页 |
| 2 TSR系统的基本知识、系统框架及预处理 | 第18-41页 |
| 2.1 交通标志的基本知识 | 第18-20页 |
| 2.2 TSR系统的总体框架 | 第20-21页 |
| 2.3 图像模糊复原 | 第21-33页 |
| 2.3.1 图像的噪声 | 第21页 |
| 2.3.2 图像的退化模型 | 第21-22页 |
| 2.3.3 点扩散函数（Point Spread Function）的确定 | 第22-30页 |
| 2.3.4 几种典型的图像复原算法 | 第30-33页 |
| 2.4 直方图均衡化与Gabor滤波结合的标志增强算法 | 第33-38页 |
| 2.4.1 直方图均衡化 | 第33-37页 |
| 2.4.2 Gabor滤波 | 第37-38页 |
| 2.4.3 基于直方图均衡化与Gabor滤波结合的图像增强算法 | 第38页 |
| 2.5 参考白增强 | 第38-40页 |
| 2.6 本章小结 | 第40-41页 |
| 3 基于改进的颜色增强法和SVM融合的交通标志检测算法 | 第41-65页 |
| 3.1 常用的颜色空间及标志检测算法分析 | 第41-49页 |
| 3.2 改进的颜色增强算法 | 第49-52页 |
| 3.3 HOG特征 | 第52-55页 |
| 3.4 基于SVM的交通标志精检测 | 第55-62页 |
| 3.4.1 支持向量机原理 | 第55-60页 |
| 3.4.2 分类器训练 | 第60-62页 |
| 3.5 HOG+SVM分类器形状判断 | 第62-64页 |
| 3.6 本章小结 | 第64-65页 |
| 4 基于PCA和概率神经网络的交通标志识别 | 第65-74页 |
| 4.1 主成分分析 | 第65-66页 |
| 4.2 概率神经网络 | 第66-69页 |
| 4.2.1 神经网络 | 第66-67页 |
| 4.2.2 概率神经网络结构模型 | 第67-69页 |
| 4.2.3 PNN算法描述 | 第69页 |
| 4.3 概率神经网络的设计 | 第69-73页 |
| 4.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表论文及科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
