| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 交通标志检测与识别的研究现状 | 第12-15页 |
| 1.2.1 国外发展现状 | 第12-13页 |
| 1.2.2 国内发展现状 | 第13-15页 |
| 1.3 交通标志识别的技术难点 | 第15-16页 |
| 1.4 论文结构和主要内容 | 第16-19页 |
| 1.4.1 交通标志检测与识别的流程 | 第16-17页 |
| 1.4.2 主要内容 | 第17-19页 |
| 第二章 交通标志图像预处理 | 第19-28页 |
| 2.1 我国交通标志相关知识简介 | 第19-20页 |
| 2.2 交通标志图像预处理流程 | 第20-21页 |
| 2.3 交通标志预处理方法 | 第21-27页 |
| 2.3.1 尺寸缩小 | 第21-23页 |
| 2.3.2 图像增亮 | 第23-24页 |
| 2.3.3 图像去噪 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 交通标志检测算法研究 | 第28-44页 |
| 3.1 基于颜色的交通标志检测 | 第28-33页 |
| 3.1.1 常见颜色模型介绍 | 第28-31页 |
| 3.1.2 色彩模型之间的转换 | 第31-32页 |
| 3.1.3 交通标志的阈值分割 | 第32-33页 |
| 3.2 基于形状的交通标志检测 | 第33-37页 |
| 3.2.1 传统形状检测方法介绍 | 第33-34页 |
| 3.2.2 通过轮廓检测形状 | 第34-36页 |
| 3.2.3 交通标志的形状分割 | 第36-37页 |
| 3.3 一种基于HSV颜色模型和角点形状检测的方法 | 第37-43页 |
| 3.3.1 新方法的基本原理 | 第37-41页 |
| 3.3.2 交通标志图像的定位 | 第41-42页 |
| 3.3.3 交通标志颜色和形状分割 | 第42-43页 |
| 3.4 实验结果分析 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 交通标志识别算法研究 | 第44-67页 |
| 4.1 基于模板匹配的识别算法 | 第44-52页 |
| 4.1.1 传统模板匹配法 | 第44-45页 |
| 4.1.2 常见交通标志特征提取方法 | 第45-49页 |
| 4.1.3 标准库的建立 | 第49-50页 |
| 4.1.4 基于Pearson相关系数的识别方法 | 第50-51页 |
| 4.1.5 实验结果与分析 | 第51-52页 |
| 4.2 基于SURF特征的识别算法 | 第52-59页 |
| 4.2.1 SURF和SIFT特征算法简介 | 第53-54页 |
| 4.2.2 SURF特征识别的原理过程 | 第54-57页 |
| 4.2.3 基于SURF特征的识别方法 | 第57-58页 |
| 4.2.4 实验结果与分析 | 第58-59页 |
| 4.3 基于神经网络的识别算法 | 第59-66页 |
| 4.3.1 BP神经网络的原理概述 | 第59-62页 |
| 4.3.2 BP算法的步骤 | 第62-63页 |
| 4.3.3 BP算法的改进 | 第63-64页 |
| 4.3.4 改进的BP神经网络的识别 | 第64页 |
| 4.3.5 实验结果与分析 | 第64-66页 |
| 4.4 实验结果分析 | 第66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 交通标志识别系统的设计与实现 | 第67-71页 |
| 5.1 所采用的技术 | 第67-68页 |
| 5.1.1 MFC | 第67页 |
| 5.1.2 OpenCV | 第67-68页 |
| 5.2 需求分析 | 第68页 |
| 5.3 系统的设计 | 第68-69页 |
| 5.4 系统的实现 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78页 |