| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-21页 |
| 1.2.1 图像去雾研究现状 | 第15-17页 |
| 1.2.2 交通标志检测研究现状 | 第17-19页 |
| 1.2.3 交通标志识别研究现状 | 第19-21页 |
| 1.3 本文的主要内容 | 第21页 |
| 1.4 论文结构安排 | 第21-24页 |
| 第二章 雾霾条件下的图像去雾 | 第24-40页 |
| 2.1 引言 | 第24页 |
| 2.2 雾霾的成因和物理模型 | 第24-25页 |
| 2.3 常见去雾算法 | 第25-32页 |
| 2.3.1 Retinex去雾算法 | 第25-30页 |
| 2.3.2 基于暗通道先验原理的去雾算法 | 第30-32页 |
| 2.4 改进的去雾算法 | 第32-38页 |
| 2.4.1 自适应全局光照强度A的估计 | 第33-35页 |
| 2.4.2 基于色彩过滤的t(x)估计 | 第35-36页 |
| 2.4.3 实验结果与分析 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 基于SVM的交通标志的检测 | 第40-54页 |
| 3.1 引言 | 第40页 |
| 3.2 基于HSV阈值分割的交通标志的快速检测 | 第40-43页 |
| 3.2.1 交通标志的快速检测 | 第40-41页 |
| 3.2.2 HSV颜色空间 | 第41-42页 |
| 3.2.3 HSV阈值分割 | 第42-43页 |
| 3.3 去噪处理 | 第43-45页 |
| 3.4 组合式HOG特征提取和SVM分类器的精确检测 | 第45-50页 |
| 3.4.1 HOG特征提取 | 第45-46页 |
| 3.4.2 SVM分类 | 第46-49页 |
| 3.4.3 组合式HOG特征提取与SVM分类器算法 | 第49-50页 |
| 3.5 实验结果与分析 | 第50-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 基于CNN的交通标志识别 | 第54-68页 |
| 4.1 引言 | 第54页 |
| 4.2 卷积神经网络 | 第54-58页 |
| 4.2.1 深度学习 | 第55-56页 |
| 4.2.2 卷积神经网络结构 | 第56-58页 |
| 4.2.3 卷积神经网络工作原理 | 第58页 |
| 4.3 基于改进的LeNet-5交通标志识别算法 | 第58-64页 |
| 4.3.1 传统LeNet-5网络模型 | 第58-59页 |
| 4.3.2 改进的LeNet-5网络结构 | 第59-64页 |
| 4.4 实验结果与分析 | 第64-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 工作总结与展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |