| 1.道路交通标志自动分割与识别算法及数学模型研究1.道路交通标志自动分割与识别算法及数学模型研究 | 第1-60页 |
| 1.概述 | 第8-12页 |
| ·研究背景 | 第8-10页 |
| ·交通标志识别中存在的问题 | 第10页 |
| ·论文的组织结构 | 第10-12页 |
| 2.研究现状 | 第12-15页 |
| ·国外的研究情况 | 第12-13页 |
| ·国内的研究情况 | 第13页 |
| ·交通标志识别研究的最新进展 | 第13-15页 |
| 3.基于颜色信息的候选交通标志分割 | 第15-22页 |
| ·标志分割的研究背景 | 第15页 |
| ·道路交通标志的知识 | 第15-16页 |
| ·颜色分割 | 第16-20页 |
| ·图象预处理 | 第16-17页 |
| ·颜色分割算法 | 第17-20页 |
| ·二值化 | 第20页 |
| ·对连通区域进行标号 | 第20-22页 |
| 4.形状识别和尺寸归一化 | 第22-26页 |
| ·形状识别的研究背景 | 第22页 |
| ·定位候选区域的外围矩形 | 第22-23页 |
| ·三角形类交通标志探测 | 第23页 |
| ·矩形类交通标志探测 | 第23-24页 |
| ·圆形类交通标志探测 | 第24-25页 |
| ·内部分割和尺寸归一化 | 第25-26页 |
| 5.特征提取 | 第26-30页 |
| ·图象特征简介 | 第26页 |
| ·RSR系统中的特征计算 | 第26-30页 |
| 6.道路交通标志的统计识别方法 | 第30-39页 |
| ·道路交通标志识别的研究背景 | 第30页 |
| ·模式识别及相关问题 | 第30-31页 |
| ·基于统计的模式识别 | 第31-39页 |
| ·类概率分布函数的核估计方法 | 第32-34页 |
| ·积核函数和Laplace积核函数 | 第34-35页 |
| ·Laplace核估计中的平滑参数训练 | 第35-39页 |
| ·平滑参数的最大似然估计 | 第35-36页 |
| ·最大似然估计的期望最大化算法 | 第36-39页 |
| 7.系统实现 | 第39-50页 |
| ·系统功能简介 | 第39页 |
| ·系统框架和系统实现 | 第39-50页 |
| ·部分重要的全局变量和函数 | 第40-42页 |
| ·系统中几个重要算法 | 第42-44页 |
| ·系统运行示例 | 第44-50页 |
| 8.实验结果 | 第50-53页 |
| ·本系统的实验结果分析 | 第50页 |
| ·和已有工作的比较 | 第50-53页 |
| ·David Kelimeyar等的"道路警告标志的检测" | 第51页 |
| ·Lutz Priese等的"一个实时交通标志识别系统" | 第51-52页 |
| ·G. Piccioli等的"可靠的交通标志探测与识别方法" | 第52-53页 |
| 9.结束语 | 第53-54页 |
| ·论文完成的主要工作 | 第53页 |
| ·展望 | 第53-54页 |
| 参考文献： | 第54-60页 |
| 2.Research on Algorithms and Mathematic Model of Road sign Automatic Detection and Recognition | 第60-109页 |
| 1.Introduction | 第63-67页 |
| ·Background | 第63-65页 |
| ·The problem | 第65页 |
| ·The skeleton of my thesis | 第65-67页 |
| 2.Previous works | 第67-69页 |
| ·Works out of china | 第67-68页 |
| ·Some works be done in China | 第68页 |
| ·Present state of the Road Sign Recognition Research | 第68-69页 |
| 3.Extracting road sign from a scene using color information | 第69-74页 |
| ·Previous works of road sign segmentation | 第69页 |
| ·Knowledge about road signs | 第69-70页 |
| ·Color Segmentation | 第70-72页 |
| ·Binarizing | 第72-73页 |
| ·Labeling segmented connective region | 第73-74页 |
| 4.Shape recognition and size normalization | 第74-78页 |
| ·Previous works of shape recognition | 第74页 |
| ·Making boundary box | 第74-75页 |
| ·Detecting Triangle Signs | 第75页 |
| ·Detecting Rectangle Signs | 第75-76页 |
| ·Detection of Circle Type Signs | 第76-77页 |
| ·Internal Segmentation and Scale Normalization of Road Sign Area | 第77-78页 |
| 5.Get Features from Image | 第78-82页 |
| ·Introduction of image feature | 第78页 |
| ·Feature computing of RSR system | 第78-82页 |
| 6.Theoretical Background of road sign Recognition | 第82-92页 |
| ·Previous works in road sign recognition | 第82页 |
| ·Pattern Recognition Problem | 第82-83页 |
| ·Statistical Pattern Recognition Problem | 第83-92页 |
| ·Kernel Method of Class Density Estimation | 第84-86页 |
| ·Product Kernel and Laplace Product Kernel | 第86-87页 |
| ·Training of Smoothing Parameters in Laplace Kernel Estimate | 第87-92页 |
| ·Maximum Likelihood Estimates of Smoothing Parameters | 第87-89页 |
| ·EM Algorithm for ML Estimates of Smoothing Parameters in Laplace Kernel Density Estimates | 第89-92页 |
| 7.Implementing | 第92-104页 |
| ·Introduction of system function | 第92页 |
| ·The system implementation and system frame | 第92-104页 |
| ·Introduction of part important external variants and functions | 第94-95页 |
| ·The main algorithm of system | 第95-97页 |
| ·Demonstration of running system | 第97-104页 |
| 8.Experimental results | 第104-108页 |
| ·Test Results | 第104页 |
| ·Comparison with Other Algorithms | 第104-108页 |
| ·Detection of Highway Warning Signs Using Neural Network by David Kelimeyar et. al | 第105-106页 |
| ·A Real-time Traffic Sign Recognition System by Lutz Priese et. al | 第106页 |
| ·Robust method for road sign detection and recognition by G. Piccioli et. al | 第106-108页 |
| 9.Conclusion | 第108-109页 |
| ·The main results completed in our thesis | 第108页 |
| ·Future work | 第108-109页 |
| ·The main results comPleted in our thesis | 第108页 |
| ·Future work | 第108-109页 |
| 3.道路交通标志自动分割与识别关键技术综述 | 第109-153页 |
| 1 概述 | 第112-118页 |
| ·智能交通系统(ITS) | 第112-114页 |
| ·智能交通系统含义、研究内容 | 第112-113页 |
| ·智能交通系统现状 | 第113-114页 |
| ·车牌识别 | 第114-116页 |
| ·车牌识别的概念、研究内容 | 第115页 |
| ·车牌自动识别系统研究现状 | 第115-116页 |
| ·交通标志识别 | 第116-118页 |
| ·交通标志识别的定义及研究内容 | 第116页 |
| ·交通标志识别研究现状 | 第116-117页 |
| ·交通标志识别中存在的问题 | 第117-118页 |
| 2 图像分割和目标提取 | 第118-128页 |
| ·基于像素的图像分割算法 | 第118-123页 |
| ·直接借助直方图的研究模式 | 第118页 |
| ·变换直方图的研究模式 | 第118-119页 |
| ·构建判决函数的研究模式 | 第119-121页 |
| ·简单代数运算的研究模式 | 第121-123页 |
| ·基于边缘的图像分割算法 | 第123-125页 |
| ·常见的微分算子 | 第123-124页 |
| ·拉普拉斯高斯(LOG)算子 | 第124-125页 |
| ·Canny边缘检测算子 | 第125页 |
| ·基于区域的图像分割算法 | 第125-128页 |
| ·区域生长 | 第125-126页 |
| ·区域的分裂合并 | 第126-127页 |
| ·其它特殊的图像分割算法 | 第127-128页 |
| 3 形状分析 | 第128-140页 |
| ·形状分析简介 | 第128-129页 |
| ·形状描述 | 第129-131页 |
| ·链码 | 第129页 |
| ·样条 | 第129-130页 |
| ·多边形逼近 | 第130页 |
| ·基于尺度空间特征点提取技术 | 第130-131页 |
| ·基于各种不变量的形状匹配方法 | 第131-133页 |
| ·基于全局性几何特征的形状匹配 | 第131页 |
| ·基于变换域特征 | 第131-133页 |
| ·矩 | 第132页 |
| ·Fourier描述子 | 第132页 |
| ·小波描述子 | 第132-133页 |
| ·形态描述子 | 第133页 |
| ·基于局部特性的形状匹配方法 | 第133-140页 |
| ·广义Hough变换(GHT) | 第133-134页 |
| ·基于神经网络和遗传算法匹配方法 | 第134页 |
| ·变形模板 | 第134-137页 |
| ·自由式变形模板 | 第134-136页 |
| ·参数化变形模板 | 第136-137页 |
| ·基于形状凹凸结构的匹配方法 | 第137-138页 |
| ·动态规划 | 第138页 |
| ·基于自回归模型和隐Markov模型 | 第138-140页 |
| 4 模式识别的现状和相关问题 | 第140-147页 |
| ·模式识别的概念与系统构成 | 第140-141页 |
| ·特征提取与选择 | 第140页 |
| ·学习和训练 | 第140-141页 |
| ·分类识别 | 第141页 |
| ·模式识别的分类 | 第141页 |
| ·模式识别的主要方法 | 第141-147页 |
| ·线性映射 | 第141-143页 |
| ·多重判别矢量法 | 第141-143页 |
| ·主成分分析法 | 第143页 |
| ·判别分析法 | 第143-144页 |
| ·Bayes判别法 | 第143-144页 |
| ·Fisher判别矢量法 | 第144页 |
| ·SIMCA法 | 第144-145页 |
| ·聚类分析 | 第145页 |
| ·系统聚类法 | 第145页 |
| ·动态聚类法 | 第145页 |
| ·非线性映射 | 第145-146页 |
| ·神经网络 | 第146-147页 |
| 参考文献： | 第147-153页 |
| 4.Survey on Key Technology of Road Sign Automatic Detection and Recognition | 第153-194页 |
| 1 Introduction | 第156-164页 |
| ·Intelligence transportation system (ITS) | 第156-159页 |
| ·Definition and content of research on intelligence transportation system | 第156-157页 |
| ·The present state of intelligence transportation system | 第157-159页 |
| ·license Plate Recognition | 第159-161页 |
| ·Concepttion and research contents of plate license recognition | 第160页 |
| ·The present research state of plate license automatic recognition system | 第160-161页 |
| ·Traffic sign recognition | 第161-164页 |
| ·Definition and research contents of traffic sign recognition | 第161-162页 |
| ·Present state of traffic sign recognition | 第162页 |
| ·Existent problems of traffic signs recognition | 第162-164页 |
| 2 Image segmentation | 第164-174页 |
| ·Image segmentation algorithm according to pixel | 第164-169页 |
| ·Histogram research mode | 第164-165页 |
| ·Transform histogram research mode | 第165页 |
| ·The research mode of construct decision function | 第165-168页 |
| ·Simple algebraic operate mode | 第168-169页 |
| ·Image segmentation algorithm according to the edge | 第169-171页 |
| ·Common differential operators | 第169-170页 |
| ·LOG operator | 第170-171页 |
| ·Canny edge detection operator | 第171页 |
| ·Image segmentation algorithm based on region | 第171-174页 |
| ·Region growing | 第171-172页 |
| ·Region splitting and merging | 第172-173页 |
| ·The other special image splitting algorithms | 第173-174页 |
| 3 Shape analysis | 第174-188页 |
| ·Shape analysis introduction | 第174-175页 |
| ·Shape description | 第175-178页 |
| ·Chain code | 第175-176页 |
| ·Spline | 第176页 |
| ·Polygon approach | 第176-177页 |
| ·Characteristic point extraction technique based on scale space | 第177-178页 |
| ·Shape matching method based on various shape invariant | 第178-180页 |
| ·Shape matching based on general geometry characters | 第178页 |
| ·Area characteristic based on transformation | 第178-180页 |
| ·Moment | 第178-179页 |
| ·Fourier descriptor | 第179页 |
| ·Wavelet descriptor | 第179页 |
| ·Shape descriptor | 第179-180页 |
| ·Shape matching method based on local characteristic | 第180-188页 |
| ·General Hough transformation (GHT) | 第180-181页 |
| ·Matching method based on neural network and generic algorithm | 第181页 |
| ·Transform template | 第181-185页 |
| ·Free transform template | 第181-183页 |
| ·Parameters transform template | 第183-185页 |
| ·Structure matching method based on shape concave and convex hull | 第185页 |
| ·Dynamic programming | 第185-186页 |
| ·Method based on regression model and of Hidden-Markov model | 第186-188页 |
| 4 Pattern recognition and related problems | 第188-194页 |
| ·The concept of pattern recognition and system structure | 第188-189页 |
| ·Feature extraction and choice | 第188-189页 |
| ·Learning and training | 第189页 |
| ·Classification | 第189页 |
| ·Classification of pattern recognition | 第189-190页 |
| ·Main methods of pattern recognition | 第190-194页 |
| ·Linear mapping | 第190-191页 |
| ·Multiple classification vector | 第190-191页 |
| ·Main component analyze | 第191页 |
| ·Decision analysis method | 第191-193页 |
| ·Bayes decision method | 第191-192页 |
| ·Fisher decision vector method | 第192-193页 |
| ·SIMCA method | 第193页 |
| ·Clustering analysis | 第193-194页 |
| ·System clustering method | 第193-194页 |
| ·Dynamic clustering method | 第194页 |
| ·Nonlinear mapping | 第194页 |
| ·Neural network | 第194页 |
