| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 交通标志检测与识别研究现状 | 第11-12页 |
| 1.2.1 交通标志的检测研究现状 | 第11-12页 |
| 1.2.2 交通标志的识别研究现状 | 第12页 |
| 1.3 本文研究的难点及主要内容 | 第12-14页 |
| 1.3.1 课题研究的难点 | 第12-13页 |
| 1.3.2 课题研究的主要内容 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 第2章 交通标志检测识别的基础理论及技术框架 | 第16-26页 |
| 2.1 交通标志的基础知识 | 第16-17页 |
| 2.1.1 交通标志的基础知识 | 第16页 |
| 2.1.2 自然场景下的交通标志 | 第16-17页 |
| 2.2 图像的预处理 | 第17-20页 |
| 2.2.1 图像的去暗光处理 | 第18-19页 |
| 2.2.2 RGB颜色空间空间 | 第19-20页 |
| 2.2.3 HSI颜色空间空间 | 第20页 |
| 2.3 卷积神经网络 | 第20-23页 |
| 2.3.1 卷积神经网络的结构 | 第20-21页 |
| 2.3.2 卷积神经网络的训练 | 第21-23页 |
| 2.4 交通标志检测的基本框架 | 第23-24页 |
| 2.5 交通标志检测系统实验平台介绍 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 交通标志候选区域提取 | 第26-42页 |
| 3.1 暗光下图像的预处理 | 第26-32页 |
| 3.1.1 天空区域的分割 | 第27-29页 |
| 3.1.2 非天空区域增强 | 第29-30页 |
| 3.1.3 实验及分析 | 第30-32页 |
| 3.2 常用的颜色分割算法 | 第32-34页 |
| 3.2.1 RGB颜色空间与HSI颜色空间分割法 | 第32-33页 |
| 3.2.2 基于标准R/B图像的颜色分割 | 第33-34页 |
| 3.3 差值化R/B提取算法 | 第34-35页 |
| 3.4 各种颜色分割算法的对比及实验分析 | 第35-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于多层特征融合的卷积神经网络交通标志检测 | 第42-54页 |
| 4.1 SDP模型在交通标志检测中的应用 | 第42-43页 |
| 4.2 SDP模型在小尺度交通标志检测中的问题 | 第43-44页 |
| 4.3 多层特征融合的卷积神经网络模型设计 | 第44-47页 |
| 4.3.1 多层特征融合的SDP | 第45-46页 |
| 4.3.2 多尺度滑窗池化 | 第46-47页 |
| 4.4 实验 | 第47-52页 |
| 4.4.1 数据准备 | 第47-49页 |
| 4.4.2 实验的流程设计及实现方法 | 第49-50页 |
| 4.4.3 训练集的准确率分析 | 第50-51页 |
| 4.4.4 测试集的结果及分析 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第5章 基于卷积神经网络的交通标志的识别 | 第54-68页 |
| 5.1 交通标志识别样本库 | 第54-56页 |
| 5.2 算法描述 | 第56-57页 |
| 5.2.1 网络参数的压缩 | 第56-57页 |
| 5.3 实验 | 第57-60页 |
| 5.3.1 交通标志的粗分类 | 第57-58页 |
| 5.3.2 交通标志的细分类 | 第58-59页 |
| 5.3.3 结果分析 | 第59-60页 |
| 5.4 检测及识别分类系统的平台实现 | 第60-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 1、工作总结 | 第68-69页 |
| 2、存在的不足及研究工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间所发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |