城市道路的交通标志识别系统研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-17页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 交通标志识别研究现状 | 第8页 |
| 1.2.2 道路检测研究现状 | 第8-9页 |
| 1.3 交通标志识别基础知识 | 第9-15页 |
| 1.3.1 交通标志介绍 | 第9-11页 |
| 1.3.2 交通标志识别所面临的困难 | 第11-12页 |
| 1.3.3 交通标志数据库介绍 | 第12-13页 |
| 1.3.4 系统框架设计 | 第13-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 交通标志检测算法研究 | 第17-41页 |
| 2.1 引言 | 第17页 |
| 2.2 基于 HSV 颜色空间的交通标志分割 | 第17-20页 |
| 2.2.1 HSV 颜色空间模型 | 第18页 |
| 2.2.2 HSV 空间分割结果 | 第18-20页 |
| 2.3 基于颜色聚类的交通标志分割 | 第20-25页 |
| 2.3.1 L*a*b*颜色空间 | 第21页 |
| 2.3.2 Gabor 滤波器提取颜色特征 | 第21-22页 |
| 2.3.3 K 均值聚类分割 | 第22-23页 |
| 2.3.4 聚类分割结果 | 第23-25页 |
| 2.4 去噪处理 | 第25-27页 |
| 2.4.1 形态学处理 | 第25页 |
| 2.4.2 区域填充算法 | 第25-26页 |
| 2.4.3 面积阈值消去法 | 第26-27页 |
| 2.5 形状特征提取 | 第27-31页 |
| 2.6 基于 BP 神经网络的形状分类 | 第31-35页 |
| 2.6.1 BP 神经网络概述 | 第31-33页 |
| 2.6.2 训练过程 | 第33-34页 |
| 2.6.3 实验结果 | 第34-35页 |
| 2.7 基于 SVM 分类器的形状分类 | 第35-39页 |
| 2.7.1 支持向量机概述 | 第35-37页 |
| 2.7.2 训练过程 | 第37-38页 |
| 2.7.3 实验结果 | 第38-39页 |
| 2.8 两个分类器的定位性能比较 | 第39-40页 |
| 2.9 本章小结 | 第40-41页 |
| 第三章 交通标志识别算法研究 | 第41-51页 |
| 3.1 引言 | 第41-42页 |
| 3.2 图像对比度增强 | 第42-43页 |
| 3.3 提取标志内核图案 | 第43-45页 |
| 3.4 特征提取 | 第45-48页 |
| 3.4.1 Hu 矩 | 第45-46页 |
| 3.4.2 Zernike 矩 | 第46-48页 |
| 3.5 训练过程及识别结果 | 第48-50页 |
| 3.5.1 训练过程 | 第48页 |
| 3.5.2 实验环境 | 第48-49页 |
| 3.5.3 实验结果 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 道路检测算法研究 | 第51-61页 |
| 4.1 引言 | 第51页 |
| 4.2 道路检测算法概述 | 第51-53页 |
| 4.3 图像预处理 | 第53-57页 |
| 4.3.1 道路图像滤波 | 第53-54页 |
| 4.3.2 道路图像边缘提取 | 第54-56页 |
| 4.3.3 边缘图像的阈值分割 | 第56-57页 |
| 4.4 哈夫变换拟合直线道路 | 第57-60页 |
| 4.4.1 道路标线初定位 | 第57-59页 |
| 4.4.2 实验结果 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 工作总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 工作展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
