基于深度学习的道路交通标志识别系统研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 选题背景及研究意义 | 第8-10页 |
| 1.2 道路交通标志识别系统研究现状 | 第10-13页 |
| 1.2.1 道路交通标志检测研究现状 | 第11页 |
| 1.2.2 道路交通标志识别研究现状 | 第11-13页 |
| 1.3 本文研究内容和组织结构 | 第13-15页 |
| 1.3.1 本文的研究内容 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-15页 |
| 2 道路交通标志识别技术分析 | 第15-37页 |
| 2.1 道路交通标志识别概述 | 第15-18页 |
| 2.1.1 道路交通标志识别系统框架 | 第15页 |
| 2.1.2 道路交通标志特征 | 第15-18页 |
| 2.2 道路交通标志识别方法 | 第18-33页 |
| 2.2.1 感兴趣区域提取 | 第19-28页 |
| 2.2.2 卷积神经网络 | 第28-33页 |
| 2.2.3 霍夫变换 | 第33页 |
| 2.3 道路交通标志图像数据集 | 第33-34页 |
| 2.3.1 GTSDB数据集 | 第33-34页 |
| 2.3.2 GTSRB数据集 | 第34页 |
| 2.4 道路交通标志识别问题 | 第34-36页 |
| 2.4.1 环境干扰问题 | 第34-36页 |
| 2.4.2 识别准确率问题 | 第36页 |
| 2.4.3 算法实时性问题 | 第36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 基于深度学习的道路交通标志识别 | 第37-47页 |
| 3.1 交通标志牌检测算法 | 第37-43页 |
| 3.1.1 交通标志牌检测模型选择 | 第37-40页 |
| 3.1.2 交通标志牌检测算法设计 | 第40-43页 |
| 3.2 交通标志牌识别算法 | 第43-44页 |
| 3.2.1 交通标志牌识别模型选择 | 第43页 |
| 3.2.2 交通标志牌识别算法设计 | 第43-44页 |
| 3.3 车道线检测算法设计 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 道路交通标志识别算法优化 | 第47-58页 |
| 4.1 Dark Net-53 网络结构优化 | 第47-48页 |
| 4.2 模型损失函数优化 | 第48-49页 |
| 4.3 数据集增强 | 第49-51页 |
| 4.4 车道线检测算法优化 | 第51-57页 |
| 4.4.1 融合概率理论的霍夫变换设计 | 第51-53页 |
| 4.4.2 融合逆透视变换的霍夫变换设计 | 第53-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 道路交通标志识别系统测试 | 第58-69页 |
| 5.1 道路交通标志识别流程 | 第58-59页 |
| 5.2 深度学习平台框架 | 第59-60页 |
| 5.3 交通标志牌检测模型测试 | 第60-63页 |
| 5.3.1 交通标志牌检测模型评价指标 | 第60页 |
| 5.3.2 交通标志牌检测模型训练 | 第60-61页 |
| 5.3.3 交通标志牌检测结果 | 第61-62页 |
| 5.3.4 算法实时性分析 | 第62-63页 |
| 5.4 交通标志牌识别模型测试 | 第63-66页 |
| 5.4.1 交通标志牌识别模型训练 | 第63页 |
| 5.4.2 损失函数优化结果分析 | 第63-64页 |
| 5.4.3 数据增强结果分析 | 第64页 |
| 5.4.4 交通标志牌识别结果 | 第64-65页 |
| 5.4.5 算法实时性分析 | 第65-66页 |
| 5.5 车道线检测算法测试 | 第66页 |
| 5.5.1 车道线检测评价指标 | 第66页 |
| 5.5.2 车道线检测结果分析 | 第66页 |
| 5.6 道路交通标志识别系统运行 | 第66-68页 |
| 5.7 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录 | 第76页 |
