矩形交通标志符号检测与识别算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-20页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究进展 | 第11-13页 |
| 1.3 研究重点及难点 | 第13-14页 |
| 1.4 矩形交通标志牌数据库的构建 | 第14-18页 |
| 1.4.1 矩形交通标志说明 | 第14-15页 |
| 1.4.2 矩形交通标志数据库特性 | 第15-18页 |
| 1.5 本文算法主要流程 | 第18-19页 |
| 1.6 本文的主要内容及章节安排 | 第19-20页 |
| 2 矩形交通标志图像预处理 | 第20-31页 |
| 2.0 图像空间滤波 | 第20-21页 |
| 2.1 图像光线校正 | 第21-26页 |
| 2.1.1 颜色空间 | 第21-23页 |
| 2.1.2 全局直方图均衡 | 第23-24页 |
| 2.1.3 限制对比度自适应直方图均衡 | 第24-26页 |
| 2.2 图像畸变校正 | 第26-30页 |
| 2.2.1 LSD直线检测 | 第26-28页 |
| 2.2.2 透视变换 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于连通域的符号粗检测 | 第31-41页 |
| 3.1 连通区域提取 | 第31-38页 |
| 3.1.1 基于阈值的图像分割 | 第31-33页 |
| 3.1.2 基于聚类的图像分割 | 第33-34页 |
| 3.1.3 基于笔画宽度滤波的连通区域提取 | 第34-36页 |
| 3.1.4 最大极值稳定区域提取 | 第36-38页 |
| 3.2 连通域筛选 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于学习的符号精确定位 | 第41-53页 |
| 4.1 特征提取 | 第41-48页 |
| 4.1.1 LBP特征 | 第41-44页 |
| 4.1.2 HOG特征 | 第44-47页 |
| 4.1.3 PCA降维 | 第47页 |
| 4.1.4 特征融合 | 第47-48页 |
| 4.2 支持向量机 | 第48-50页 |
| 4.2.1 线性可分支持向量机 | 第48-50页 |
| 4.2.2 非线性支持向量机 | 第50页 |
| 4.3 实验结果与分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 矩形交通标志符号识别 | 第53-59页 |
| 5.1 特征提取 | 第53-56页 |
| 5.1.1 Gabor特征 | 第53-55页 |
| 5.1.2 改进Gabor特征 | 第55-56页 |
| 5.2 分类器设计 | 第56-57页 |
| 5.3 实验结果与分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
