基于卷积神经网络的交通标志分类与识别研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 交通标志识别的国内外研究现状及趋势 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.2.3 总体研究趋势 | 第15页 |
| 1.3 交通标志识别研究的难点剖析 | 第15-17页 |
| 1.3.1 传统机器学习方法的难点 | 第15-16页 |
| 1.3.2 深度学习方法的难点 | 第16-17页 |
| 1.4 本文主要内容和结构安排 | 第17-18页 |
| 1.5 小结 | 第18-19页 |
| 第2章 交通标志分类网络模型设计 | 第19-34页 |
| 2.1 深度学习发展简介 | 第19-20页 |
| 2.2 神经网络模型算法 | 第20-25页 |
| 2.2.1 激活函数 | 第20-21页 |
| 2.2.2 前向传播算法 | 第21-23页 |
| 2.2.3 反向传播算法 | 第23-25页 |
| 2.3 卷积神经网络模型 | 第25-29页 |
| 2.3.1 卷积 | 第25-27页 |
| 2.3.2 池化 | 第27-28页 |
| 2.3.3 全连接 | 第28页 |
| 2.3.4 损失函数 | 第28-29页 |
| 2.4 交通标志分类网络模型设计 | 第29-33页 |
| 2.4.1 LeNet-5 | 第29-30页 |
| 2.4.2 AlexNet | 第30页 |
| 2.4.3 VGG | 第30-32页 |
| 2.4.4 交通标志分类网络模型 | 第32-33页 |
| 2.5 小结 | 第33-34页 |
| 第3章 交通标志分类网络模型训练与测试 | 第34-43页 |
| 3.1 分类数据集 | 第34-36页 |
| 3.2 图像预处理 | 第36-37页 |
| 3.2.1 图像灰度化 | 第37页 |
| 3.2.2 图像尺寸调整 | 第37页 |
| 3.3 分类网络预训练 | 第37-40页 |
| 3.4 分类网络迁移训练 | 第40-41页 |
| 3.5 分类网络测试与结果分析 | 第41-42页 |
| 3.6 小结 | 第42-43页 |
| 第4章 交通标志识别 | 第43-57页 |
| 4.1 交通标志识别网络设计 | 第43-48页 |
| 4.1.1 YOLOv2目标检测原理分析 | 第43-45页 |
| 4.1.2 预选框IOU回 归方法 | 第45-47页 |
| 4.1.3 交通标志识别网络结构 | 第47-48页 |
| 4.2 交通标志识别网络预训练数据集 | 第48-49页 |
| 4.3 网络模型参数设置 | 第49-50页 |
| 4.4 网络模型训练 | 第50-51页 |
| 4.5 网络模型测试 | 第51-55页 |
| 4.5.1 准确性测试 | 第51-54页 |
| 4.5.2 实时性测试 | 第54页 |
| 4.5.3 测试结果分析 | 第54-55页 |
| 4.6 网络模型优化 | 第55-56页 |
| 4.6.1 自动标注与交通标志区域裁剪 | 第55-56页 |
| 4.6.2 循环在线学习 | 第56页 |
| 4.7 小结 | 第56-57页 |
| 第5章 算法嵌入式移植与实车道路测试 | 第57-65页 |
| 5.1 PC端软硬件开发环境 | 第57-58页 |
| 5.1.1 PC端硬件 | 第57页 |
| 5.1.2 PC端软件开发环境 | 第57-58页 |
| 5.2 嵌入式软硬件开发环境 | 第58-59页 |
| 5.2.1 嵌入式硬件 | 第58-59页 |
| 5.2.2 嵌入式软件开发环境 | 第59页 |
| 5.3 算法移植 | 第59-61页 |
| 5.3.1 TensorFlow框架搭建 | 第59页 |
| 5.3.2 Opencv移植 | 第59-60页 |
| 5.3.3 应用程序移植 | 第60-61页 |
| 5.4 系统实车道路测试与验证 | 第61-64页 |
| 5.5 小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 致谢 | 第74页 |
