基于卷积神经网络的交通标识识别研究及应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 交通标识检测的研究现状 | 第12-15页 |
| 1.2.2 交通标识识别的研究现状 | 第15-18页 |
| 1.3 本文的主要研究内容 | 第18-19页 |
| 1.4 论文的结构与安排 | 第19-21页 |
| 第2章 交通标识与图像预处理 | 第21-31页 |
| 2.1 道路交通标识 | 第21-22页 |
| 2.2 交通标识识别系统的组成 | 第22-23页 |
| 2.3 图像的预处理 | 第23-29页 |
| 2.3.1 滤波去噪处理 | 第24-26页 |
| 2.3.2 还原色彩处理 | 第26-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 优化的卷积神经网络 | 第31-47页 |
| 3.1 引言 | 第31-32页 |
| 3.2 卷积神经网络的结构模型 | 第32-34页 |
| 3.3 卷积神经网络的训练 | 第34-39页 |
| 3.3.1 卷积神经网络误差函数 | 第35页 |
| 3.3.2 卷积神经网络的反向传播 | 第35-39页 |
| 3.4 优化的卷积神经网络 | 第39-45页 |
| 3.4.1 优化策略选择的实验分析 | 第40-44页 |
| 3.4.2 理论分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于优化的CNN的交通标识检测 | 第47-57页 |
| 4.1 引言 | 第47页 |
| 4.2 GTSDB数据集 | 第47-48页 |
| 4.3 交通标识的检测 | 第48-52页 |
| 4.3.1 提取RIOS | 第48-51页 |
| 4.3.2 优化CNN识别RIOS | 第51-52页 |
| 4.4 实验结果分析 | 第52-56页 |
| 4.4.1 数据集准备 | 第52-53页 |
| 4.4.2 优化的CNN在训练集上的实验 | 第53-54页 |
| 4.4.3 优化CNN在测试集上的实验 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 优化的CNN在交通标识识别中的应用 | 第57-73页 |
| 5.1 GTSRB数据集 | 第57-58页 |
| 5.2 算法的基本流程 | 第58-59页 |
| 5.3 算法描述 | 第59-66页 |
| 5.3.1 图像的预处理 | 第61-65页 |
| 5.3.2 优化的CNN特征提取 | 第65页 |
| 5.3.3 Softmax分类器 | 第65-66页 |
| 5.4 实验及结果分析 | 第66-71页 |
| 5.4.1 交通标识粗分类 | 第66-68页 |
| 5.4.2 交通的标识细分类 | 第68-70页 |
| 5.4.3 结果比较与分析 | 第70-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 本文展望 | 第74-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 附录 | 第81-82页 |
