行车视频中交通标志识别技术研究及其安卓应用开发
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 交通标志检测研究现状 | 第11-12页 |
| 1.2.2 交通标志分类研究现状 | 第12-14页 |
| 1.3 文章内容和组织结构 | 第14-15页 |
| 第二章 相关理论及技术概述 | 第15-31页 |
| 2.1 道路交通标志的类别 | 第15-16页 |
| 2.2 软硬件相关技术介绍 | 第16-20页 |
| 2.2.1 Android平台技术 | 第16-18页 |
| 2.2.2 NDK与JNI技术 | 第18页 |
| 2.2.3 OpenCV技术 | 第18页 |
| 2.2.4 Caffe框架简介 | 第18-20页 |
| 2.2.5 开发硬件平台 | 第20页 |
| 2.3 交通标志的检测算法 | 第20-25页 |
| 2.3.1 颜色检测算法 | 第20-22页 |
| 2.3.2 形状检测算法 | 第22-23页 |
| 2.3.3 边缘检测算法 | 第23-25页 |
| 2.4 交通标志的分类算法 | 第25-29页 |
| 2.4.1 传统的分类算法 | 第25-26页 |
| 2.4.2 深度学习分类算法 | 第26-29页 |
| 2.5 系统的整体设计方案 | 第29-30页 |
| 2.6 本章总结 | 第30-31页 |
| 第三章 基于度量学习的交通标志识别 | 第31-54页 |
| 3.1 度量学习的定义 | 第31页 |
| 3.2 常用的距离函数 | 第31-33页 |
| 3.2.1 欧氏距离函数 | 第31-32页 |
| 3.2.2 马氏距离函数 | 第32页 |
| 3.2.3 余弦距离函数 | 第32-33页 |
| 3.4 基于度量学习的支持向量机 | 第33-39页 |
| 3.4.1 线性分类 | 第33-36页 |
| 3.4.2 基于欧氏距离的最大间距超平面 | 第36-37页 |
| 3.4.3 线性不可分 | 第37-39页 |
| 3.5 软件设计开发及识别结果 | 第39-52页 |
| 3.5.1 软件涉及相关理论 | 第39-46页 |
| 3.5.2 软件开发过程 | 第46-48页 |
| 3.5.3 APP功能简述 | 第48-50页 |
| 3.5.4 识别结果 | 第50-52页 |
| 3.5.5 软件操作步骤 | 第52页 |
| 3.6 数据统计与分析 | 第52-53页 |
| 3.7 本章总结 | 第53-54页 |
| 第四章 基于级联卷积神经网络的交通标志识别 | 第54-79页 |
| 4.1 卷积神经网络CNN概述 | 第54-58页 |
| 4.1.1 经典网络模型 | 第54页 |
| 4.1.2 层级结构介绍 | 第54-58页 |
| 4.2 卷积神经网络CNN的训练算法 | 第58-62页 |
| 4.2.1 梯度下降算法 | 第59页 |
| 4.2.2 反向传播算法 | 第59-62页 |
| 4.2.3 训练过程 | 第62页 |
| 4.3 基于级联卷积神经网络的交通标志识别 | 第62-74页 |
| 4.3.1 系统架构 | 第63页 |
| 4.3.2 目标检测 | 第63-71页 |
| 4.3.3 目标识别 | 第71-74页 |
| 4.4 识别结果及数据统计分析 | 第74-78页 |
| 4.4.1 训练数据 | 第74-76页 |
| 4.4.2 识别结果 | 第76-77页 |
| 4.4.3 统计与分析 | 第77-78页 |
| 4.5 本章总结 | 第78-79页 |
| 第五章 总结和展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间的主要研究成果 | 第86-87页 |
| 致谢 | 第87-88页 |
