| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究难点 | 第15页 |
| 1.4 本文的主要内容和框架 | 第15-17页 |
| 第二章 交通标识的目标定位 | 第17-30页 |
| 2.1 TV图像去噪 | 第17-19页 |
| 2.1.1 图像噪声及去噪算法分类 | 第17页 |
| 2.1.2 全变分图像去噪 | 第17-19页 |
| 2.2 HOG特征提取 | 第19-22页 |
| 2.2.1 Gamma归一化 | 第19页 |
| 2.2.2 梯度计算 | 第19-20页 |
| 2.2.3 小块、单元与区间 | 第20-21页 |
| 2.2.4 扫描提取HOG特征 | 第21-22页 |
| 2.3 LBP噪声消除 | 第22-25页 |
| 2.3.1 直方图均等化 | 第22-23页 |
| 2.3.2 LBP算子 | 第23-25页 |
| 2.3.3 特征融合 | 第25页 |
| 2.4 SVM分类 | 第25-27页 |
| 2.4.1 支持向量机 | 第25-26页 |
| 2.4.2 核函数的选取 | 第26页 |
| 2.4.3 SVM分类 | 第26-27页 |
| 2.5 实验与分析 | 第27-30页 |
| 第三章 深度学习及改进的深度卷积网络 | 第30-48页 |
| 3.1 人工智能与卷积神经网络 | 第30页 |
| 3.2 自动编码器 | 第30-32页 |
| 3.3 稀疏编码 | 第32-33页 |
| 3.3.1 稀疏编码的概念 | 第32页 |
| 3.3.2 稀疏编码的过程 | 第32-33页 |
| 3.4 受限玻尔兹曼机 | 第33-36页 |
| 3.4.1 玻尔兹曼机与受限玻尔兹曼机 | 第33-34页 |
| 3.4.2 RBM的模型结构 | 第34-35页 |
| 3.4.3 RBM的训练算法 | 第35-36页 |
| 3.5 深度信念网络 | 第36-37页 |
| 3.5.1 DBN的模型结构 | 第36页 |
| 3.5.2 DBN的训练过程 | 第36-37页 |
| 3.6 深度卷积网络 | 第37-44页 |
| 3.6.1 CNN的发展 | 第37-39页 |
| 3.6.2 Le Net-5 | 第39-40页 |
| 3.6.3 Alex Net | 第40-41页 |
| 3.6.4 Vgg Net | 第41-42页 |
| 3.6.5 GoogleNet | 第42-44页 |
| 3.7 训练算法 | 第44-48页 |
| 3.7.1 训练算法概述 | 第44页 |
| 3.7.2 BP算法 | 第44-46页 |
| 3.7.3 BP算法在CNN的应用 | 第46-48页 |
| 第四章 基于TSR9L-Net的交通标识目标识别 | 第48-69页 |
| 4.1 开源学习框架Caffe | 第48-50页 |
| 4.1.1 Caffe的概述 | 第48页 |
| 4.1.2 Caffe的模型框架 | 第48-50页 |
| 4.2 改进的深度卷积网络模型：TSR9L-Net | 第50-55页 |
| 4.2.1 卷积神经网络模型对比 | 第50-51页 |
| 4.2.2 TSR9L-Net的网络结构 | 第51-52页 |
| 4.2.3 TSR9L-Net的权重层 | 第52页 |
| 4.2.4 TSR9L-Net的池化层 | 第52-53页 |
| 4.2.5 TSR9L-Net的损失层 | 第53-54页 |
| 4.2.6 避免过拟合的方法 | 第54-55页 |
| 4.3 样本图像数据库 | 第55-61页 |
| 4.3.1 图像数据库的设计 | 第55页 |
| 4.3.2 样本图像的采集 | 第55-57页 |
| 4.3.3 国内的交通标识 | 第57-59页 |
| 4.3.4 警告标识和禁令标识样本图像数据库 | 第59-61页 |
| 4.4 实验与分析 | 第61-69页 |
| 4.4.1 实验平台 | 第61页 |
| 4.4.2 基于Le Net-5 的实验 | 第61-63页 |
| 4.4.3 基于Alex Net的实验 | 第63-65页 |
| 4.4.4 基于TSR9L-Net的实验 | 第65-67页 |
| 4.4.5 实验结果对比 | 第67-69页 |
| 总结及展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读学位期间获得的科研成果 | 第76-78页 |
| 致谢 | 第78页 |