| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要贡献与创新 | 第12-13页 |
| 1.4 本文结构安排 | 第13-14页 |
| 第二章 基于国内真实场景的交通标志数据集制作 | 第14-23页 |
| 2.1 国内外交通标志数据集分析 | 第14-16页 |
| 2.2 真实场景交通标志数据集制作 | 第16-19页 |
| 2.2.1 道路交通标志国家标准 | 第16-17页 |
| 2.2.2 CTS64数据集制作 | 第17-19页 |
| 2.3 交通标志现实挑战分析 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于多尺度池化聚合通道特征的限速标志检测与分类 | 第23-53页 |
| 3.1 基于特征描述子和级联分类器的限速标志检测 | 第23-37页 |
| 3.1.1 常见的特征描述子 | 第24-33页 |
| 3.1.2 多尺度池化聚合通道特征 | 第33-34页 |
| 3.1.3 AdaBoost级联分类器 | 第34-36页 |
| 3.1.4 非极大值抑制算法 | 第36-37页 |
| 3.2 基于数字图像处理和多元分类器的限速标志分类 | 第37-46页 |
| 3.2.1 二次曲线拟合的可变阈值像素提取方法 | 第38-41页 |
| 3.2.2 区域生长的数字分割算法 | 第41-42页 |
| 3.2.3 切片投影 | 第42-43页 |
| 3.2.4 监督学习的多元分类器 | 第43-46页 |
| 3.3 实验结果对比分析 | 第46-52页 |
| 3.3.1 特征描述子的检测实验结果分析 | 第47-49页 |
| 3.3.2 投影特征和多元分类器的分类实验结果分析 | 第49-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于多级特征图合并的交通标志识别 | 第53-69页 |
| 4.1 深度学习模型选择 | 第53-60页 |
| 4.1.1 损失函数计算 | 第53-56页 |
| 4.1.2 R-CNN系列模型分析 | 第56-60页 |
| 4.2 多级特征图合并的特征提取网络 | 第60-62页 |
| 4.3 实验结果对比分析 | 第62-68页 |
| 4.3.1 CTS64数据集下检测效果对比分析 | 第62-64页 |
| 4.3.2 GTSDB数据集下检测效果对比分析 | 第64-65页 |
| 4.3.3 网络模型分类效果对比分析 | 第65-66页 |
| 4.3.4 模型训练迭代次数的影响 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结和展望 | 第69-71页 |
| 5.1 工作总结 | 第69-70页 |
| 5.2 未来展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |
