| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究的背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 交通标志预处理算法 | 第16-17页 |
| 1.2.2 交通标志分割算法 | 第17-19页 |
| 1.2.3 交通标志识别算法 | 第19页 |
| 1.3 本文主要内容和结构安排 | 第19-22页 |
| 第二章 交通标志基础和预处理算法研究 | 第22-33页 |
| 2.1 交通标志介绍 | 第22-24页 |
| 2.1.1 交通标志的发展和作用 | 第22-23页 |
| 2.1.2 交通标志设计原则 | 第23-24页 |
| 2.2 交通标志预处理算法 | 第24-30页 |
| 2.2.1 经典算法研究 | 第24-26页 |
| 2.2.2 Retinex算法 | 第26-28页 |
| 2.2.3 改进的Retinex算法 | 第28-30页 |
| 2.3 交通标志预处理算法的实验结果及分析 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 交通标志的分割算法研究 | 第33-58页 |
| 3.1 基于颜色特征的交通标志分割算法 | 第33-44页 |
| 3.1.1 颜色空间模型 | 第34-37页 |
| 3.1.2 三种颜色空间对比和实验 | 第37-42页 |
| 3.1.3 改进的颜色分割法 | 第42-44页 |
| 3.2 交通标志候选区域提取 | 第44-53页 |
| 3.2.1 EdgeBoxes检测算法 | 第44-47页 |
| 3.2.2 选择性搜素算法 | 第47-51页 |
| 3.2.3 交通标志候选区域提取 | 第51-53页 |
| 3.3 交通标志候选区域提取的实现及分析 | 第53-56页 |
| 3.3.1 基于EdgeBoxes算法的交通标志分割 | 第54-55页 |
| 3.3.2 基于选择性搜索算法的交通标志分割 | 第55-56页 |
| 3.3.3 交通标志候选区域提取 | 第56页 |
| 3.4 本章小结 | 第56-58页 |
| 第四章 基于深度学习的交通标志识别 | 第58-76页 |
| 4.1 深度神经网络 | 第58-61页 |
| 4.1.1 深度神经网络结构 | 第58-59页 |
| 4.1.2 反向传播算法 | 第59-61页 |
| 4.2 深度卷积神经网络 | 第61-65页 |
| 4.2.1 卷积网络结构 | 第62-64页 |
| 4.2.2 网络训练与测试 | 第64-65页 |
| 4.3 网络改进与调整 | 第65-70页 |
| 4.3.1 图像尺度归一化 | 第65-68页 |
| 4.3.2 降低参数量 | 第68-69页 |
| 4.3.3 样本不均衡问题 | 第69-70页 |
| 4.4 改进后的交通标志识别深度卷积网络 | 第70-71页 |
| 4.5 交通标志识别实验结果及分析 | 第71-75页 |
| 4.5.1 数据集建立 | 第71-72页 |
| 4.5.2 实验结果 | 第72-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第五章 TensorFlow上交通标志识别系统的实现 | 第76-87页 |
| 5.1 系统测试环境 | 第76-77页 |
| 5.1.1 软件开发环境 | 第76-77页 |
| 5.1.2 硬件配置 | 第77页 |
| 5.2 交通标志识别系统的整体设计 | 第77-84页 |
| 5.2.1 交通标志识别系统整体框架 | 第77-79页 |
| 5.2.2 主要模块和子图设计 | 第79-83页 |
| 5.2.3 资源分配和数据通信 | 第83-84页 |
| 5.3 系统的结果与分析 | 第84-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第六章 总结与展望 | 第87-89页 |
| 6.1 本文总结 | 第87-88页 |
| 6.2 存在的不足和未来工作的展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 附录 作者攻读学位期间公开发表的学术论文 | 第93-94页 |
| 致谢 | 第94页 |