| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 论文的研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 概述 | 第15-16页 |
| 1.2.2 国外研究现状 | 第16-17页 |
| 1.2.3 国内研究现状 | 第17-18页 |
| 1.3 本文的研究工作 | 第18-19页 |
| 1.4 论文安排 | 第19-20页 |
| 第2章 传统的交通标志感兴趣区域提取方法 | 第20-30页 |
| 2.1 交通标志分类 | 第20-21页 |
| 2.2 图像预处理 | 第21-23页 |
| 2.2.1 灰度变换 | 第21页 |
| 2.2.2 直方图均衡化 | 第21-22页 |
| 2.2.3 滤波 | 第22-23页 |
| 2.3 颜色分割 | 第23-27页 |
| 2.3.1 RGB模型 | 第23-24页 |
| 2.3.2 HSV模型 | 第24-25页 |
| 2.3.3 形态学图像处理 | 第25-27页 |
| 2.4 形状分割 | 第27-29页 |
| 2.4.1 霍夫变换 | 第28页 |
| 2.4.2 拐角检测 | 第28-29页 |
| 2.4.3 基于形状特征的检测 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于Selective Search的感兴趣区域提取 | 第30-42页 |
| 3.1 交通标志感兴趣区域传统提取算法的缺点 | 第30-31页 |
| 3.2 Selective Search算法的理论基础和改进 | 第31-35页 |
| 3.2.1 Efficient Graph-Based Image Segmentation算法 | 第32-34页 |
| 3.2.2 Selective Search算法 | 第34-35页 |
| 3.2.3 Selective Search算法的改进 | 第35页 |
| 3.3 实验结果 | 第35-41页 |
| 3.3.1 RGB通道与HSV通道实验结果 | 第35-37页 |
| 3.3.2 改进最小分割区域尺寸的实验结果 | 第37页 |
| 3.3.3 基于传统算法与SS算法的实验结果 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 多种交通标志识别方法的对比 | 第42-53页 |
| 4.1 HOG、SVM和CNN的理论基础 | 第42-46页 |
| 4.1.1 HOG特征提取方法 | 第42-44页 |
| 4.1.2 SVM | 第44-45页 |
| 4.1.3 CNN | 第45-46页 |
| 4.2 交通标志分类的准备工作 | 第46-48页 |
| 4.2.1 数据集的制作 | 第46-48页 |
| 4.2.2 深度学习环境的搭建 | 第48页 |
| 4.3 实验结果与分析 | 第48-52页 |
| 4.3.1 一级分类实验结果与分析 | 第48-49页 |
| 4.3.2 SVM的二级分类实验结果与分析 | 第49-50页 |
| 4.3.3 CNN的二级分类实验结果与分析 | 第50-52页 |
| 4.3.4 一、二级分类实验结果和分析 | 第52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 基于改进卷积神经网络的交通标志识别 | 第53-69页 |
| 5.1 AlexNet和VGG模型 | 第53-56页 |
| 5.1.1 AlexNet模型 | 第53-54页 |
| 5.1.2 VGG模型 | 第54-56页 |
| 5.2 基于AlexNet、VGG模型的改进算法 | 第56-62页 |
| 5.2.1 基于AlexNet、VGG模型的改进 | 第56-59页 |
| 5.2.2 算法改进后的网络结构及参数 | 第59-62页 |
| 5.2.3 算法改进后的实验结果 | 第62页 |
| 5.3 改进算法的优化 | 第62-67页 |
| 5.3.1 网络参数的优化 | 第62-66页 |
| 5.3.2 扩大数据集 | 第66-67页 |
| 5.4 实验结果 | 第67页 |
| 5.5 本章小结 | 第67-69页 |
| 结论与展望 | 第69-70页 |
| 结论 | 第69页 |
| 展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
