基于支持向量机的交通标志自动识别研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 选题目的及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外的研究 | 第12页 |
| 1.2.2 国内的研究 | 第12页 |
| 1.3 目前技术难点 | 第12-13页 |
| 1.4 研究重点 | 第13-14页 |
| 1.5 主要工作及结构安排 | 第14-16页 |
| 第2章 交通标志基于颜色的分析 | 第16-30页 |
| 2.1 交通标志基本介绍 | 第16页 |
| 2.2 基本去噪处理 | 第16-18页 |
| 2.2.1 空间域滤波 | 第17-18页 |
| 2.2.2 频域滤波 | 第18页 |
| 2.3 图像颜色增强 | 第18-25页 |
| 2.3.1 频域图像增强 | 第18-19页 |
| 2.3.2 空域图像增强 | 第19-21页 |
| 2.3.3 Retinex图像增强 | 第21-25页 |
| 2.4 颜色空间选取与分割 | 第25-29页 |
| 2.4.1 交通标志颜色空间选取 | 第25-28页 |
| 2.4.2 颜色分割 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 交通标志基于区域的处理 | 第30-40页 |
| 3.1 形态学 | 第30-31页 |
| 3.1.1 膨胀 | 第30-31页 |
| 3.1.2 腐蚀 | 第31页 |
| 3.1.3 开运算和闭运算 | 第31页 |
| 3.2 二值化的实现 | 第31-35页 |
| 3.3 面积阈值法 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 特征值的获取 | 第40-48页 |
| 4.1 边缘检测 | 第40-43页 |
| 4.2 基于形状的特征值 | 第43-44页 |
| 4.3 基于区域的特征值 | 第44-47页 |
| 4.3.1 Hu矩 | 第45-46页 |
| 4.3.2 Zernike矩 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于支持向量机的识别 | 第48-67页 |
| 5.1 支持向量机基本介绍 | 第48-54页 |
| 5.1.1 机器学习、神经网络、统计原理的发展 | 第48-49页 |
| 5.1.2 引入支持向量机 | 第49-50页 |
| 5.1.3 支持向量机的线性和非线性 | 第50-52页 |
| 5.1.4 核函数及参数 | 第52-54页 |
| 5.2 基于形状的一级分类 | 第54-62页 |
| 5.2.1 建立样本库和识别率定义 | 第55-56页 |
| 5.2.2 原始特征值测试 | 第56-57页 |
| 5.2.3 特征值权值的分配 | 第57-62页 |
| 5.2.4 实景图应用 | 第62页 |
| 5.3 基于区域的二级分类 | 第62-65页 |
| 5.3.1 Hu特征值改进 | 第63-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 系统实现 | 第67-75页 |
| 6.1 系统功能简介 | 第67页 |
| 6.2 算法编程介绍 | 第67页 |
| 6.3 系统功能模块设计 | 第67-69页 |
| 6.4 性能评价 | 第69-73页 |
| 6.4.1 性能评价因子介绍 | 第69-70页 |
| 6.4.2 实验结果评价 | 第70-73页 |
| 6.5 本章小结 | 第73-75页 |
| 第7章 总结与展望 | 第75-77页 |
| 7.1 总结 | 第75页 |
| 7.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |
