| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题背景与研究意义 | 第11页 |
| 1.2 国内外研究现状及分析 | 第11-14页 |
| 1.2.1 国外研究概述 | 第11-13页 |
| 1.2.2 国内外研究分析 | 第13页 |
| 1.2.3 国内外研究中存在的问题 | 第13-14页 |
| 1.3 研究内容与章节安排 | 第14-16页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的章节安排 | 第15-16页 |
| 第二章 交通标志识别的计算机图像形态学基础 | 第16-26页 |
| 2.1 图像的颜色模型 | 第16-18页 |
| 2.1.1 RGB颜色模型 | 第17页 |
| 2.1.2 HSV颜色模型 | 第17-18页 |
| 2.2 图像的空间滤波 | 第18页 |
| 2.3 图像形态学运算 | 第18-20页 |
| 2.3.1 膨胀与腐蚀运算 | 第19页 |
| 2.3.2 开启和闭合运算 | 第19-20页 |
| 2.4 图像的边缘检测 | 第20-21页 |
| 2.5 图像边缘的凸包与凹点 | 第21-23页 |
| 2.6 图像边缘的形状检测 | 第23-25页 |
| 2.6.1 图像边缘的圆检测 | 第23-24页 |
| 2.6.2 图像边缘的三角形检测 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 神经网络基础与交通标志目标检测方法 | 第26-40页 |
| 3.1 人工神经网络 | 第26-27页 |
| 3.1.1 神经元模型 | 第26页 |
| 3.1.2 前馈神经网络 | 第26-27页 |
| 3.2 卷积神经网络 | 第27-29页 |
| 3.3 卷积神经网络模型 | 第29-32页 |
| 3.3.1 AlexNet与ZFNet模型 | 第29-30页 |
| 3.3.2 VGGNet模型 | 第30-31页 |
| 3.3.3 深度残差网络ResNet模型 | 第31-32页 |
| 3.4 交通标志目标识别方法概述 | 第32页 |
| 3.5 传统检测与识别方法 | 第32-33页 |
| 3.6 二阶段检测与识别方法 | 第33-35页 |
| 3.6.1 R-CNN、SPP-Net与fastR-CNN方法 | 第33-34页 |
| 3.6.2 fasterR-CNN方法与区域提议网络 | 第34-35页 |
| 3.7 单阶段检测与识别方法 | 第35-39页 |
| 3.7.1 YOLO、YOLO9000与YOLOv2 | 第36-37页 |
| 3.7.2 YOLOv3方法与多标签预测 | 第37-39页 |
| 3.8 本章小结 | 第39-40页 |
| 第四章 交通标志识别实验数据设计与环境准备 | 第40-52页 |
| 4.1 中国道路交通标志概述 | 第40页 |
| 4.2 环境与设备条件对交通标志图像的影响 | 第40-42页 |
| 4.2.1 天气和光照差异带来的影响 | 第41页 |
| 4.2.2 设备因素带来的影响 | 第41-42页 |
| 4.2.3 不规范的临时和简易标志的影响 | 第42页 |
| 4.3 本文研究数据的设计 | 第42-49页 |
| 4.3.1 常用交通标志公共数据集分析 | 第42-43页 |
| 4.3.2 作为研究目标的交通标志选取 | 第43-45页 |
| 4.3.3 交通标志样本数据采集 | 第45-46页 |
| 4.3.4 交通标志原始图像的预处理 | 第46-47页 |
| 4.3.5 交通标志识别数据集设计 | 第47-49页 |
| 4.4 交通标志检测与识别的评价标准 | 第49-50页 |
| 4.4.1 精度与召回率 | 第49-50页 |
| 4.4.2 平均精度均值 | 第50页 |
| 4.5 交通标志检测与识别的实验环境 | 第50-51页 |
| 4.5.1 实验计算机运行环境 | 第50-51页 |
| 4.5.2 实验开发环境与调整 | 第51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 传统交通标志识别方法研究 | 第52-62页 |
| 5.1 传统检测与识别方法概述 | 第52页 |
| 5.2 基于颜色的交通标志检测研究 | 第52-56页 |
| 5.2.1 白天良好光照环境下场景的识别研究 | 第52-54页 |
| 5.2.2 晚间特殊光照场景下的识别研究 | 第54-55页 |
| 5.2.3 HSV颜色分割的阈值选择研究 | 第55-56页 |
| 5.3 基于几何形状的交通标志检测研究 | 第56-58页 |
| 5.4 基于深度网络的交通标志识别研究 | 第58-60页 |
| 5.4.1 神经网络结构设计 | 第58-59页 |
| 5.4.2 识别结果与分析 | 第59-60页 |
| 5.5 传统方法检测结果综述与展望 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第六章 fasterR-CNN交通标志识别方法实验研究 | 第62-73页 |
| 6.1 fasterR-CNN实验环境准备 | 第62-64页 |
| 6.1.1 PASCALVOC2007数据集 | 第62-63页 |
| 6.1.2 Windows平台下faster-RCNN开发环境配置 | 第63-64页 |
| 6.1.3 fasterR-CNN的训练方式 | 第64页 |
| 6.2 fasterR-CNN交通标志识别实验 | 第64-67页 |
| 6.2.1 预训练模型的使用 | 第64-66页 |
| 6.2.2 学习率与阈值参数的选择 | 第66-67页 |
| 6.3 fastR-CNN交通标志识别方法优化 | 第67-71页 |
| 6.3.1 针对锚框方法的优化 | 第67-69页 |
| 6.3.2 针对标注精度的参数优化 | 第69-70页 |
| 6.3.3 针对小型交通标志目标识别的优化 | 第70-71页 |
| 6.4 本章小结 | 第71-73页 |
| 第七章 YOLOv3交通标志识别方法实验研究 | 第73-89页 |
| 7.1 YOLOv3实验环境准备 | 第73-75页 |
| 7.1.1 darknet数据集 | 第73页 |
| 7.1.2 Darknet网络的超参数 | 第73-75页 |
| 7.2 本章实验设计 | 第75-76页 |
| 7.3 各训练集上的YOLOv3交通标志识别实验研究 | 第76-81页 |
| 7.3.1 在训练集A上的实验研究 | 第76-77页 |
| 7.3.2 在训练集B上的实验研究 | 第77-79页 |
| 7.3.3 在训练集C上的实验研究 | 第79-81页 |
| 7.4 YOLOv3交通标志识别优化研究 | 第81-85页 |
| 7.4.1 数据集的扩充 | 第81-82页 |
| 7.4.2 学习率和参数的选择 | 第82-85页 |
| 7.5 在视频中运行识别结果 | 第85-88页 |
| 7.6 本章小结 | 第88-89页 |
| 第八章 总结与展望 | 第89-91页 |
| 8.1 论文总结 | 第89-90页 |
| 8.2 工作展望 | 第90-91页 |
| 参考文献 | 第91-96页 |
| 攻硕士学位期间取得的研究成果 | 第96-97页 |
| 致谢 | 第97-98页 |
| 附表 | 第98页 |
