| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 交通标志检测研究现状 | 第9-11页 |
| 1.2.1 基于颜色特征的的交通标志检测方法 | 第9-10页 |
| 1.2.2 基于形状特征的的交通标志检测方法 | 第10-11页 |
| 1.3 交通标志检测算法难点 | 第11-13页 |
| 1.4 交通标志简介与本文数据库 | 第13-15页 |
| 1.5 本文检测算法主要流程 | 第15-16页 |
| 1.6 本文的主要工作与结构安排 | 第16-18页 |
| 2 复杂环境下基于颜色的交通标志图像分割 | 第18-36页 |
| 2.1 常用的基于颜色空间分割方法 | 第18-23页 |
| 2.1.1 归一化RGB空间阈值分割(RGBNT) | 第18-19页 |
| 2.1.2 色度饱和度阈值分割(HST) | 第19-20页 |
| 2.1.3 基于Ohta空间阈值分割(OST) | 第20-22页 |
| 2.1.4 基于不同颜色空间阈值分割实验分析 | 第22-23页 |
| 2.2 基于RGB颜色空间的自适应阈值分割方法(RGBAT) | 第23-29页 |
| 2.2.1 图像预处理 | 第23-26页 |
| 2.2.2 自适应阈值分割算法步骤 | 第26-29页 |
| 2.3 自适应阈值分割结果融合 | 第29-36页 |
| 2.3.1 分割结果的数学形态学处理 | 第29-30页 |
| 2.3.2 各颜色分量分割结果融合 | 第30-33页 |
| 2.3.3 自适应阈值分割方法实验分析 | 第33-36页 |
| 3 复杂环境下交通标志的精确检测 | 第36-54页 |
| 3.1 区域筛选 | 第36-39页 |
| 3.2 复杂环境下的交通标志检测特征选择 | 第39-47页 |
| 3.2.1 梯度方向直方图特征 | 第39-43页 |
| 3.2.2 HSV量化颜色直方图 | 第43-46页 |
| 3.2.3 复杂环境下交通标志检测特征实验分析 | 第46-47页 |
| 3.3 复杂环境下交通标志分类器选择 | 第47-54页 |
| 3.3.1 支持向量机基本原理 | 第47-50页 |
| 3.3.2 Adaboost基本原理 | 第50-54页 |
| 4 本文复杂环境下的交通标志检测算法 | 第54-74页 |
| 4.1 复杂环境下交通标志图像分类 | 第56-59页 |
| 4.1.1 特征提取 | 第56-58页 |
| 4.1.2 图像分类 | 第58-59页 |
| 4.2 交通标志分类检测算法 | 第59-66页 |
| 4.2.1 各类交通标志分割算法 | 第59-62页 |
| 4.2.2 候选区域分类 | 第62-64页 |
| 4.2.3 基于SVM的交通标志分类器 | 第64-66页 |
| 4.3 实验结果与分析 | 第66-74页 |
| 5 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82页 |