| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 交通标志检测与识别研究现状 | 第8-10页 |
| 1.2.2 行人检测研究现状 | 第10-11页 |
| 1.3 研究内容及章节安排 | 第11-14页 |
| 第2章 基于视觉注意机制和形状特性的交通标志检测算法研究 | 第14-22页 |
| 2.1 图像预处理 | 第14-15页 |
| 2.2 基于改进的视觉注意模型的粗检测 | 第15-19页 |
| 2.3 基于几何形状特性的细检测 | 第19-21页 |
| 2.3.1 形状检测预处理 | 第19页 |
| 2.3.2 基于几何形状特性的细检测 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于BP神经网络的交通标志识别算法研究 | 第22-34页 |
| 3.1 交通标志属性特征提取 | 第22-28页 |
| 3.1.1 内部图像分割 | 第22-24页 |
| 3.1.2 标志属性特征提取 | 第24-28页 |
| 3.2 BP神经网络的设计 | 第28-33页 |
| 3.2.1 构建BP神经网络模型 | 第28-32页 |
| 3.2.2 基于BP神经网络的算法实现 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于融合特征和级联分类器的行人检测研究 | 第34-52页 |
| 4.1 HOG与Haar的特征提取 | 第35-45页 |
| 4.1.1 改进的Haar-like特征提取 | 第35-39页 |
| 4.1.2 改进的HOG特征提取 | 第39-45页 |
| 4.2 基于Adaboost算法的级联分类器设计 | 第45-51页 |
| 4.2.1 Adaboost算法原理 | 第45-47页 |
| 4.2.2 构造两种特征的Adaboost分类器 | 第47-49页 |
| 4.2.3 级联分类器的训练 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 行车环境检测结果与分析 | 第52-64页 |
| 5.1 交通标志检测实验结果分析 | 第52-55页 |
| 5.1.1 几何形状特性对检测结果的影响 | 第52-54页 |
| 5.1.2 改进的Itti模型对检测结果的影响 | 第54页 |
| 5.1.3 不同环境对检测结果的影响 | 第54-55页 |
| 5.2 交通标志识别仿真分析 | 第55-57页 |
| 5.3 行人检测实验结果与分析 | 第57-62页 |
| 5.3.1 构建行人分类器 | 第57-59页 |
| 5.3.2 简单环境下的检测结果分析 | 第59-60页 |
| 5.3.3 复杂环境下的检测结果分析 | 第60-62页 |
| 5.4 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间所发表的论文 | 第70-72页 |
| 致谢 | 第72页 |