交通标志检测和识别算法研究
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 交通标志检测识别的难点 | 第15-16页 |
| 1.4 论文的研究内容和主要贡献 | 第16-17页 |
| 1.4.1 论文的主要内容 | 第16页 |
| 1.4.2 论文的主要贡献 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-18页 |
| 2 交通标志图像增强和分割方法 | 第18-31页 |
| 2.1 颜色空间分析 | 第18-21页 |
| 2.1.1 RGB色彩空间 | 第18-19页 |
| 2.1.2 HSV色彩空间 | 第19-20页 |
| 2.1.3 XYZ色彩空间 | 第20-21页 |
| 2.2 图像增强 | 第21-24页 |
| 2.2.1 归一化的RGB色彩空间增强 | 第21-22页 |
| 2.2.2 基于视觉显著性的图像增强 | 第22-24页 |
| 2.3 图像分割 | 第24-29页 |
| 2.3.1 MSER算法 | 第24-25页 |
| 2.3.2 MSER算法实现和特点 | 第25-27页 |
| 2.3.3 交通标志候选区域筛选 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 基于多特征的高可信度区域的交通标志检测 | 第31-52页 |
| 3.1 算法介绍 | 第31-32页 |
| 3.1.1 预处理 | 第31-32页 |
| 3.1.2 高可信度区域提取 | 第32页 |
| 3.2 交通标志特征 | 第32-37页 |
| 3.2.1 形状特征 | 第32-34页 |
| 3.2.2 纹理特征 | 第34-36页 |
| 3.2.3 交通标志特征色 | 第36-37页 |
| 3.3 SVM分类器 | 第37-41页 |
| 3.3.1 支持向量机的基本原理 | 第37-39页 |
| 3.3.2 支持向量机的训练 | 第39页 |
| 3.3.3 支持向量机的多分类算法 | 第39-40页 |
| 3.3.4 支持向量机的实现和使用 | 第40-41页 |
| 3.4 高可信度区域提取方法 | 第41-47页 |
| 3.4.1 交通标志形状检测 | 第41-42页 |
| 3.4.2 交通标志颜色纹理性质 | 第42-45页 |
| 3.4.3 高可信度区域的实现方法 | 第45-47页 |
| 3.5 实验结果和分析 | 第47-51页 |
| 3.5.1 方法验证 | 第47-49页 |
| 3.5.2 性能对比分析 | 第49-51页 |
| 3.6 本章小结 | 第51-52页 |
| 4 基于局部特征和级联分类的交通标志识别 | 第52-64页 |
| 4.1 分类方法 | 第52-54页 |
| 4.1.1 交通标志粗分类 | 第53页 |
| 4.1.2 内部构件细分类 | 第53-54页 |
| 4.2 交通标志粗分类 | 第54-58页 |
| 4.2.1 交通标志特征 | 第54-55页 |
| 4.2.2 专家委员会判定法 | 第55-57页 |
| 4.2.3 粗分类的实现方法 | 第57-58页 |
| 4.3 内部构件分类 | 第58-60页 |
| 4.3.1 内部构件提取和校正 | 第58-59页 |
| 4.3.2 类模板匹配法 | 第59-60页 |
| 4.3.3 内部构件分类的实现方法 | 第60页 |
| 4.4 实验结果与分析 | 第60-63页 |
| 4.4.1 实验数据 | 第60-61页 |
| 4.4.2 实验分析 | 第61-63页 |
| 4.5 本章小结 | 第63-64页 |
| 5 总结和展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
