| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 交通标志识别方法的研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 课题的来源及研究内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-15页 |
| 1.4 本文章节安排 | 第15-17页 |
| 第2章 论文相关理论基础 | 第17-25页 |
| 2.1 CNN理论 | 第17-19页 |
| 2.2 CNN基本原理 | 第19-22页 |
| 2.2.1 卷积层 | 第19-20页 |
| 2.2.2 下采样层 | 第20-21页 |
| 2.2.3 全连接层 | 第21-22页 |
| 2.3 AdaBoost-SVM理论 | 第22-24页 |
| 2.3.1 SVM理论 | 第22-23页 |
| 2.3.2 AdaBoost理论 | 第23页 |
| 2.3.3 AdaBoost-SVM模型特点 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 ROI增强预处理方法 | 第25-38页 |
| 3.1 交通标志数据集 | 第25-26页 |
| 3.2 ROI增强预处理方法 | 第26-34页 |
| 3.2.1 图像裁剪 | 第27页 |
| 3.2.2 灰度化 | 第27-28页 |
| 3.2.3 图像增强 | 第28-30页 |
| 3.2.4 交通标志形状校正 | 第30-33页 |
| 3.2.5 尺寸归一化 | 第33-34页 |
| 3.3 预处理实验结果 | 第34-35页 |
| 3.4 与其他预处理方法对比 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 CNN特征提取及AdaBoost-SVM分类预测 | 第38-46页 |
| 4.1 CNN特征提取 | 第38-42页 |
| 4.1.1 CNN结构 | 第38-40页 |
| 4.1.2 CNN训练过程 | 第40-42页 |
| 4.1.3 CNN模型对图像的特征表示 | 第42页 |
| 4.2 AdaBoost-SVM分类预测 | 第42-45页 |
| 4.2.1 AdaBoost-SVM模型 | 第43-44页 |
| 4.2.2 AdaBoost-SVM训练过程 | 第44页 |
| 4.2.3 AdaBoost-SVM识别率分析 | 第44-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 基于MFM的交通标志识别 | 第46-54页 |
| 5.1 混合预测模型MFM的构建 | 第46-49页 |
| 5.1.1 基于MFM的交通标志识别方法 | 第47页 |
| 5.1.2 混合预测模型MFM的训练 | 第47-49页 |
| 5.2 ROI增强预处理有效性测试 | 第49-50页 |
| 5.3 MFM性能分析 | 第50-53页 |
| 5.3.1 识别率分析 | 第50-52页 |
| 5.3.2 收敛时效 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的学术论文 | 第60页 |
| 软件著作权 | 第60-61页 |
| 致谢 | 第61页 |