基于改进的CNN交通标志识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 交通标志检测研究现状 | 第10-12页 |
| 1.2.2 交通标志识别研究现状 | 第12-16页 |
| 1.3 交通标志识别当前存在的问题 | 第16-18页 |
| 1.4 本文的主要内容和章节安排 | 第18-20页 |
| 第二章 交通标志图像预处理 | 第20-31页 |
| 2.1 GTSRB数据库介绍 | 第20-21页 |
| 2.2 图像裁剪 | 第21-22页 |
| 2.3 图像增强 | 第22-29页 |
| 2.4 图像尺寸归一化 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 卷积神经网络基本原理 | 第31-44页 |
| 3.1 卷积神经网络特点 | 第31-32页 |
| 3.1.1 稀疏连接 | 第31页 |
| 3.1.2 权值共享 | 第31-32页 |
| 3.1.3 池化 | 第32页 |
| 3.2 卷积神经网络层次 | 第32-35页 |
| 3.2.1 输入层 | 第32-33页 |
| 3.2.2 卷积层 | 第33页 |
| 3.2.3 池化层 | 第33-34页 |
| 3.2.4 全连接层 | 第34页 |
| 3.2.5 输出层 | 第34-35页 |
| 3.3 参数设置 | 第35-43页 |
| 3.3.1 权重初始化 | 第35-36页 |
| 3.3.2 激活函数 | 第36-38页 |
| 3.3.3 优化器 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于改进CNN的交通标志识别方法 | 第44-52页 |
| 4.1 经典CNN模型分析 | 第44-46页 |
| 4.1.1 LeNet-5网络模型 | 第44-45页 |
| 4.1.2 AlexNet网络模型 | 第45-46页 |
| 4.1.3 VGGNet网络模型 | 第46页 |
| 4.2 改进的交通标志识别CNN模型设计 | 第46-48页 |
| 4.2.1 改进方案 | 第46-47页 |
| 4.2.2 改进的交通标志识别CNN网络结构 | 第47-48页 |
| 4.3 改进的交通标志识别CNN模型验证 | 第48-51页 |
| 4.3.1 数据归一化方式改进验证 | 第48-50页 |
| 4.3.2 Dropout层改进验证 | 第50页 |
| 4.3.3 卷积层通道数改进验证 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 改进的交通标志识别CNN实验与分析 | 第52-62页 |
| 5.1 改进的交通标志识别CNN算法实现 | 第52-55页 |
| 5.1.1 TensorFlow框架 | 第52-53页 |
| 5.1.2 环境搭建 | 第53页 |
| 5.1.3 改进CNN模型的代码实现 | 第53-55页 |
| 5.2 实验结果与分析 | 第55-60页 |
| 5.2.1 权重初始化方式选择 | 第55-56页 |
| 5.2.2 优化器选择 | 第56页 |
| 5.2.3 Dropout参数选择 | 第56-57页 |
| 5.2.4 图像预处理的影响 | 第57页 |
| 5.2.5 最终结果与软件运行界面 | 第57-60页 |
| 5.3 本文算法与其它算法比较 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
