| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 交通标志检测难点 | 第12页 |
| 1.4 论文研究内容与章节安排 | 第12-14页 |
| 第2章 目标检测理论基础 | 第14-25页 |
| 2.1 交通标志类型及特征分析 | 第14-15页 |
| 2.2 深度学习基础 | 第15-21页 |
| 2.2.1 CNN结构及特征 | 第15-19页 |
| 2.2.2 常用CNN模型 | 第19-21页 |
| 2.3 基于深度学习的目标检测算法 | 第21-24页 |
| 2.3.1 R-CNN | 第21页 |
| 2.3.2 Fast R-CNN | 第21-22页 |
| 2.3.3 Faster R-CNN | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于深度学习的交通标志检测 | 第25-45页 |
| 3.1 交通标志检测总流程 | 第25-26页 |
| 3.2 交通标志检测系统环境搭建 | 第26-31页 |
| 3.2.1 深度学习框架确定 | 第26-27页 |
| 3.2.2 特征提取网络选取 | 第27-29页 |
| 3.2.3 目标检测算法选取 | 第29-31页 |
| 3.3 TFRECORDS数据集的制作 | 第31-34页 |
| 3.3.1 数据标注 | 第31-33页 |
| 3.3.2 数据增强 | 第33-34页 |
| 3.3.3 数据集划分 | 第34页 |
| 3.3.4 数据集转化 | 第34页 |
| 3.4 基于FASTER R-CNN的交通标志检测 | 第34-44页 |
| 3.4.1 Faster R-CNN改进 | 第35-37页 |
| 3.4.2 微调模型 | 第37-38页 |
| 3.4.3 参数调试实验 | 第38-41页 |
| 3.4.4 模型评估 | 第41-42页 |
| 3.4.5 可视化结果分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 实验与分析 | 第45-56页 |
| 4.1 评测标准 | 第45-46页 |
| 4.2 改进效果对比分析 | 第46-48页 |
| 4.3 实验结果及分析 | 第48-55页 |
| 4.3.1 不同光照下的检测效果图 | 第48-50页 |
| 4.3.2 不同场景下的检测效果图 | 第50-51页 |
| 4.3.3 不同拍摄距离下的检测效果图 | 第51页 |
| 4.3.4 具有相似特征的交通标志图像检测 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 附录 攻读硕士学位期间研究成果 | 第62页 |