| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 论文研究背景及意义 | 第14-15页 |
| 1.1.1 论文研究背景 | 第14-15页 |
| 1.1.2 论文研究意义 | 第15页 |
| 1.2 交通标志图像识别的国内外研究现状 | 第15-17页 |
| 1.2.1 国外的研究现状 | 第15-16页 |
| 1.2.2 国内的研究现状 | 第16-17页 |
| 1.3 研究目标、研究内容和技术路线 | 第17-19页 |
| 1.3.1 论文研究目标 | 第17页 |
| 1.3.2 论文研究内容 | 第17-18页 |
| 1.3.3 论文技术路线 | 第18-19页 |
| 1.4 小结 | 第19-20页 |
| 第2章 基于灰度梯度直方图的图像对比度自适应增强算法 | 第20-29页 |
| 2.1 灰度梯度直方图均衡化 | 第20-23页 |
| 2.2 基于图像灰度梯度直方图的自适应增强 | 第23-25页 |
| 2.3 算法验证 | 第25-27页 |
| 2.4 小结 | 第27-29页 |
| 第3章 交通标志图像的预处理 | 第29-39页 |
| 3.1 交通标志图像数据集GTSRB | 第29-30页 |
| 3.2 GTSRB交通标志图像的预处理 | 第30-35页 |
| 3.2.1 区域裁剪 | 第31页 |
| 3.2.2 图像灰度化 | 第31-32页 |
| 3.2.3 图像尺寸归一化 | 第32-35页 |
| 3.3 实验与分析 | 第35-38页 |
| 3.3.1 实验结果 | 第35-36页 |
| 3.3.2 预处理方法对比 | 第36-38页 |
| 3.4 小结 | 第38-39页 |
| 第4章 深度学习理论基础 | 第39-52页 |
| 4.1 卷积神经网络 | 第39-47页 |
| 4.1.1 局部感知和权值共享 | 第39-41页 |
| 4.1.2 多卷积核 | 第41-42页 |
| 4.1.3 池化操作 | 第42-43页 |
| 4.1.4 线性修正单元激活函数 | 第43-46页 |
| 4.1.5 Softmax分类器 | 第46-47页 |
| 4.2 基于卷积神经网络的图像高维特征表达 | 第47-49页 |
| 4.3 关于局部最优的问题 | 第49-50页 |
| 4.4 典型的CNN模型结构 | 第50-51页 |
| 4.5 小结 | 第51-52页 |
| 第5章 基于Inception并联卷积层结构改进LeNet-5网络模型 | 第52-60页 |
| 5.1 LeNet-5网络模型 | 第52-53页 |
| 5.2 Inception并联卷积层结构 | 第53-54页 |
| 5.3 基于Inception并联卷积层结构改进LeNet-5网络模型 | 第54-56页 |
| 5.4 Dropout防止过拟合策略 | 第56-57页 |
| 5.5 批量梯度下降算法 | 第57-58页 |
| 5.6 对比网络模型识别性能 | 第58-59页 |
| 5.7 小结 | 第59-60页 |
| 第6章 基于深度学习的交通标志图像识别实现 | 第60-78页 |
| 6.1 系统实现环境 | 第60-63页 |
| 6.1.1 常用深度学习框架特点分析 | 第60-62页 |
| 6.1.2 阿里云机器学习平台PAI-TensorFlow | 第62-63页 |
| 6.2 训练数据集准备 | 第63-64页 |
| 6.3 训练网络模型 | 第64-69页 |
| 6.3.1 TensorBoard可视化网络结构 | 第65-66页 |
| 6.3.2 读取数据文件 | 第66-67页 |
| 6.3.3 网络模型性能分析 | 第67-69页 |
| 6.4 测试网络模型 | 第69-74页 |
| 6.4.1 具有相似特征的交通标志图像识别 | 第70-72页 |
| 6.4.2 具有突出特征的交通标志图像识别 | 第72-74页 |
| 6.5 预处理操作的必要性分析 | 第74-77页 |
| 6.6 小结 | 第77-78页 |
| 第7章 总结与展望 | 第78-80页 |
| 7.1 总结 | 第78-79页 |
| 7.2 展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-87页 |
| 附录A ClassID对应的交通标志类别 | 第87-88页 |
| 附录B 攻读硕士学位期间发表的论文 | 第88页 |
