基于车载摄像头的信号灯检查算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 信号灯检测方法现状 | 第10-11页 |
| 1.2.2 通用物体检测方法现状 | 第11-16页 |
| 1.2.3 信号灯数据库 | 第16页 |
| 1.3 本文研究目标与内容 | 第16-19页 |
| 1.3.1 研究目标 | 第16页 |
| 1.3.2 研究内容 | 第16-17页 |
| 1.3.3 论文结构 | 第17-19页 |
| 第二章 总体研究方案与关键技术 | 第19-23页 |
| 2.1 总体研究方案 | 第19-20页 |
| 2.2 关键技术 | 第20-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 共有特征区域提取算法 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 共有特征区域定义 | 第23-24页 |
| 3.3 共有特征区域提取 | 第24-32页 |
| 3.3.1 颜色阈值分割与二值化 | 第25-29页 |
| 3.3.2 图像形态学处理 | 第29-30页 |
| 3.3.3 连通域提取 | 第30-32页 |
| 3.3.4 基于几何约束的连通域筛选 | 第32页 |
| 3.4 算法步骤 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 信号灯候选区域生成算法 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 信号灯候选区域的定义 | 第35-38页 |
| 4.3 候选区域生成算法参数初始化 | 第38-40页 |
| 4.3.1 均匀采样法 | 第38-39页 |
| 4.3.2 蒙特卡洛采样法 | 第39页 |
| 4.3.3 重要性采样法 | 第39-40页 |
| 4.4 候选区域生成算法参数优化 | 第40-42页 |
| 4.4.1 遗传算法 | 第40-41页 |
| 4.4.2 基于遗传算法的参数优化 | 第41-42页 |
| 4.5 算法步骤 | 第42-43页 |
| 4.6 本章小结 | 第43-45页 |
| 第五章 信号灯分类算法 | 第45-55页 |
| 5.1 引言 | 第45页 |
| 5.2 目标分类算法基本框架 | 第45-51页 |
| 5.2.1 传统目标分类算法 | 第45-48页 |
| 5.2.2 基于深度卷积神经网络的分类算法 | 第48-51页 |
| 5.3 适用于信号灯识别的网络结构设计 | 第51-53页 |
| 5.3.1 FastRCNN算法框架 | 第51-52页 |
| 5.3.2 网络结构设计 | 第52-53页 |
| 5.4 算法步骤 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 实验数据集与实验验证 | 第55-61页 |
| 6.1 实验数据集与测试环境 | 第55-56页 |
| 6.2 实验结果与分析 | 第56-60页 |
| 6.2.1 评价方法 | 第56-57页 |
| 6.2.2 结果与分析 | 第57-60页 |
| 6.3 本章小结 | 第60-61页 |
| 第七章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
