| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 缩略语对照表 | 第8-19页 |
| 第一章 绪论 | 第19-25页 |
| 1.1 论文研究背景与意义 | 第19-20页 |
| 1.1.1 背景 | 第19-20页 |
| 1.1.2 意义 | 第20页 |
| 1.2 国内外的研究现状 | 第20-22页 |
| 1.2.1 国外的研究现状 | 第20-21页 |
| 1.2.2 国内的研究现状 | 第21-22页 |
| 1.3 研究思路和方法 | 第22页 |
| 1.3.1 研究思路 | 第22页 |
| 1.3.2 研究方法 | 第22页 |
| 1.4 论文主要工作和章节安排 | 第22-25页 |
| 第二章 路标识别的相关理论 | 第25-43页 |
| 2.1 路标的相关概念 | 第25-26页 |
| 2.2 路标识别概述 | 第26-28页 |
| 2.2.1 路标识别的流程 | 第26页 |
| 2.2.2 图像的预处理 | 第26-27页 |
| 2.2.3 路标的检测算法 | 第27页 |
| 2.2.4 路标的分类算法 | 第27-28页 |
| 2.3 深度学习基本理论概述 | 第28-36页 |
| 2.3.1 CNN的相关概念 | 第28-34页 |
| 2.3.2 反向传播算法 | 第34-36页 |
| 2.4 基于深度学习的目标检测算法 | 第36-43页 |
| 2.4.1 Faster R-CNN | 第36-39页 |
| 2.4.2 R-FCN | 第39-42页 |
| 2.4.3 深度学习网络总结 | 第42-43页 |
| 第三章 基于深度学习的路标检测 | 第43-82页 |
| 3.1 测试使用的数据集 | 第43-44页 |
| 3.2 目标检测的性能指标 | 第44-45页 |
| 3.3 路标的预处理 | 第45-50页 |
| 3.3.1 图像增强算法的改进 | 第45-48页 |
| 3.3.2 实验结果与分析 | 第48-50页 |
| 3.4 基于Faster R-CNN的路标检测 | 第50-62页 |
| 3.4.1 Faster R-CNN的路标检测框架 | 第50-51页 |
| 3.4.2 Faster R-CNN的改进 | 第51-54页 |
| 3.4.3 网络训练的改进 | 第54-55页 |
| 3.4.4 实验及结果分析 | 第55-62页 |
| 3.5 基于R-FCN的路标检测 | 第62-70页 |
| 3.5.1 R-FCN的路标检测框架 | 第62-64页 |
| 3.5.2 实验及结果分析 | 第64-70页 |
| 3.6 Fast R-CNN和R-FCN的路标检测性能总结 | 第70-73页 |
| 3.7 基于改进的R-FCN的路标检测 | 第73-80页 |
| 3.7.1 RPN网络的改进 | 第73-75页 |
| 3.7.2 实验及结果分析 | 第75-80页 |
| 3.8 实验总结 | 第80-82页 |
| 第四章 路标识别的系统实现 | 第82-104页 |
| 4.1 路标数据集 | 第82-86页 |
| 4.1.1 图像数据扩充 | 第82-84页 |
| 4.1.2 数据集标注 | 第84-86页 |
| 4.2 硬件平台搭建 | 第86-87页 |
| 4.2.1 图像釆集模块 | 第86页 |
| 4.2.2 训练和测试模块 | 第86-87页 |
| 4.3 软件平台搭建 | 第87页 |
| 4.4 模型训练 | 第87-90页 |
| 4.4.1 避免过拟合 | 第87-88页 |
| 4.4.2 迁移学习之模型微调 | 第88-90页 |
| 4.5 系统框图 | 第90-92页 |
| 4.5.1 训练和测试流程图 | 第90-91页 |
| 4.5.2 路标识别流程图 | 第91-92页 |
| 4.6 实际道路下不同场景的路标识别实验 | 第92-103页 |
| 4.6.1 白天不同场景的路标识别实验 | 第95-97页 |
| 4.6.2 夜晚不同场景的路标识别实验 | 第97-100页 |
| 4.6.3 路标识别误差分析 | 第100-103页 |
| 4.7 实验总结 | 第103-104页 |
| 第五章 总结与展望 | 第104-106页 |
| 5.1 总结 | 第104-105页 |
| 5.2 展望 | 第105-106页 |
| 致谢 | 第106-107页 |
| 参考文献 | 第107-112页 |
| 附录 攻读硕士期间取得的研究成果 | 第112页 |