无人驾驶车交通标志和标线识别技术的研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 交通标志研究现状 | 第9-11页 |
| 1.2.2 交通标线研究现状 | 第11-12页 |
| 1.3 交通标志标线识别难点 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 交通标志标线图像预处理 | 第14-23页 |
| 2.1 交通标志图像降噪 | 第14-17页 |
| 2.2 交通标志图像增强 | 第17-19页 |
| 2.2.1 非锐化掩蔽 | 第17页 |
| 2.2.2 直方图均衡化 | 第17-19页 |
| 2.3 交通标线图像边缘检测 | 第19-22页 |
| 2.3.1 Sobel边缘检测 | 第19-20页 |
| 2.3.2 拉普拉斯边缘检测 | 第20页 |
| 2.3.3 坎尼边缘检测 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 交通标志分割技术研究 | 第23-36页 |
| 3.1 交通标志数据库简介 | 第23页 |
| 3.2 图像色彩模型 | 第23-27页 |
| 3.2.1 RGB彩色模型 | 第23-24页 |
| 3.2.2 CMY彩色模型 | 第24页 |
| 3.2.3 HSI彩色模型 | 第24-27页 |
| 3.3 阈值处理粗定位交通标志区域 | 第27-31页 |
| 3.3.1 迭代法 | 第28页 |
| 3.3.2 最大熵法 | 第28-29页 |
| 3.3.3 P分位法 | 第29页 |
| 3.3.4 OTSU法 | 第29-31页 |
| 3.4 图像形态学操作干扰区域消除 | 第31-33页 |
| 3.5 交通标志形状特征筛选 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 交通标志分类技术研究 | 第36-60页 |
| 4.1 交通标志图像特征描述子 | 第36-40页 |
| 4.1.1 HOG特征描述子 | 第36-39页 |
| 4.1.2 Harr-like特征描述子 | 第39-40页 |
| 4.2 支持向量机对候选区域的判别 | 第40-47页 |
| 4.2.1 线性可分支持向量机 | 第40-44页 |
| 4.2.2 线性不可分支持向量机 | 第44-47页 |
| 4.3 卷积神经网络 | 第47-57页 |
| 4.3.1 神经网络简介 | 第47-49页 |
| 4.3.2 卷积神经网络架构 | 第49-51页 |
| 4.3.3 参数训练 | 第51-53页 |
| 4.3.4 softmax回归 | 第53-54页 |
| 4.3.5 VGGNet模型 | 第54-57页 |
| 4.4 实验结果 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 交通标线识别研究 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 霍夫变换 | 第60-63页 |
| 5.2.1 霍夫变换基本原理 | 第60-62页 |
| 5.2.2 霍夫变换识别交通标线 | 第62-63页 |
| 5.3 改进的随机抽样一致算法检测交通标线 | 第63-66页 |
| 5.3.1 随机抽样一致算法 | 第63-64页 |
| 5.3.2 算法优化 | 第64-66页 |
| 5.4 实验结果分析 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
