基于机器学习的道路交通标志的检测与识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 道路交通标志识别中的技术难点 | 第13-14页 |
| 1.4 本文主要研究内容及章节安排 | 第14-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第二章 相关研究及技术 | 第18-30页 |
| 2.1 道路交通标志简介 | 第18页 |
| 2.2 道路交通标志传统检测方法概述 | 第18-22页 |
| 2.2.1 基于颜色特征的道路交通标志检测算法 | 第18-20页 |
| 2.2.2 基于形状特征的道路交通标志检测算法 | 第20-21页 |
| 2.2.3 传统交通标志识别算法介绍 | 第21-22页 |
| 2.3 模型评估与选择方法 | 第22-24页 |
| 2.3.1 评估方法 | 第22页 |
| 2.3.2 性能度量 | 第22-24页 |
| 2.3.3 正则化 | 第24页 |
| 2.4 基于R-CNN的道路交通标志识别方法 | 第24-25页 |
| 2.5 道路交通标志数据集 | 第25-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第三章 传统方法的道路交通标志的识别 | 第30-44页 |
| 3.1 图像预处理 | 第30-34页 |
| 3.1.1 图像增强 | 第30页 |
| 3.1.2 空间域图像增强算法 | 第30-34页 |
| 3.2 基于形状信息的粗检测 | 第34-37页 |
| 3.2.1 快速Hough圆检测 | 第34-36页 |
| 3.2.2 快速Hough的矩形检测 | 第36-37页 |
| 3.3 基于颜色空间的道路交通标志检测 | 第37-40页 |
| 3.4 基于HOG和SVM的交通标志识别方法 | 第40-44页 |
| 3.4.1 HOG特征提取 | 第40-42页 |
| 3.4.2 使用SVM训练分类器 | 第42-43页 |
| 3.4.3 系统的抗干扰性 | 第43-44页 |
| 第四章 基于R-CNN的道路交通标志检测分类算法 | 第44-60页 |
| 4.1 R-CNN算法流程介绍 | 第44页 |
| 4.2 相关算法介绍 | 第44-47页 |
| 4.2.1 空间金字塔池化 | 第44-46页 |
| 4.2.2 非极大值抑制 | 第46页 |
| 4.2.3 区域建议算法 | 第46-47页 |
| 4.3 标志检测模型 | 第47-51页 |
| 4.3.1 感兴趣区域池化层 | 第49页 |
| 4.3.2 区域建议网络 | 第49-50页 |
| 4.3.3 模型主体网络 | 第50-51页 |
| 4.4 标志检测实验 | 第51-54页 |
| 4.4.1 模型训练参数 | 第51-52页 |
| 4.4.2 模型训练过程 | 第52页 |
| 4.4.3 实验结果 | 第52-54页 |
| 4.5 基于区域的全卷积网络来检测物体 | 第54-60页 |
| 4.5.1 全卷积网络 | 第54-55页 |
| 4.5.2 R-FCN的模型训练流程说明 | 第55-57页 |
| 4.5.3 位置敏感分数图 | 第57-58页 |
| 4.5.4 R-FCN训练结果及对比 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
