| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究历史和现状 | 第10-13页 |
| 1.2.1 智能交通系统的研究现状 | 第10页 |
| 1.2.2 交通标识检测算法现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 交通标识检测的相关技术 | 第15-25页 |
| 2.1 预处理技术 | 第15-17页 |
| 2.1.1 图像还原技术 | 第15-16页 |
| 2.1.2 图像增强技术 | 第16-17页 |
| 2.2 候选区域提取技术 | 第17-21页 |
| 2.2.1 穷举式搜索 | 第17-18页 |
| 2.2.2 选择性搜索 | 第18-21页 |
| 2.3 分类模型 | 第21-24页 |
| 2.3.1 支持向量机 | 第21-22页 |
| 2.3.2 超限学习机 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于迭代模糊超限学习机的背光补偿算法 | 第25-39页 |
| 3.1 相关技术原理 | 第25-27页 |
| 3.1.1 梯度逼近 | 第25-26页 |
| 3.1.2 模糊超限学习机 | 第26-27页 |
| 3.2 基于迭代模糊超限学习机的背光补偿算法 | 第27-31页 |
| 3.2.1 背光检测阶段 | 第27-30页 |
| 3.2.2 背光补偿阶段 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-37页 |
| 3.3.1 实验数据说明 | 第31-32页 |
| 3.3.2 评价标准 | 第32-33页 |
| 3.3.3 参数设置说明 | 第33页 |
| 3.3.4 对比实验及分析 | 第33-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于选择搜索和核超限学习机的交通标识检测方法 | 第39-55页 |
| 4.1 基于选择搜索和核超限学习机的交通标识检测模型 | 第39-42页 |
| 4.1.1 候选区域提取模块 | 第39-40页 |
| 4.1.2 特征提取模块 | 第40页 |
| 4.1.3 基于核超限学习机的分类模块 | 第40-42页 |
| 4.2 基于BING和核超限学习机的交通标识检测方法 | 第42-44页 |
| 4.3 基于区域生成网络和核超限学习机的交通标识检测方法 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-54页 |
| 4.4.1 实验数据说明 | 第46-49页 |
| 4.4.2 评价标准 | 第49页 |
| 4.4.3 基于BING和核超限学习机的交通标识检测方法 | 第49-51页 |
| 4.4.4 基于区域生成网络和核超限学习机的交通标识检测方法 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间的研究成果 | 第63-65页 |
| 致谢 | 第65页 |
