基于DNN技术的交通标志识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题的背景与意义 | 第9-10页 |
| 1.2 国内外发展现状 | 第10-14页 |
| 1.2.1 国外研究动态 | 第10-12页 |
| 1.2.2 国内研究动态 | 第12-14页 |
| 1.2.3 主要研究成果及应用 | 第14页 |
| 1.3 交通标志的识别难点 | 第14-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 章节安排 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 相关技术介绍 | 第19-29页 |
| 2.1 主流交通标志识别方法 | 第19-24页 |
| 2.1.1 统计分类法 | 第19-21页 |
| 2.1.2 模板匹配法 | 第21-22页 |
| 2.1.3 句法分类法 | 第22页 |
| 2.1.4 机器学习法 | 第22-24页 |
| 2.1.5 集成分类法 | 第24页 |
| 2.2 深度神经网络 | 第24-28页 |
| 2.2.1 深度神经网络的基本结构 | 第25-26页 |
| 2.2.2 局部感受野和权值共享 | 第26-27页 |
| 2.2.3 训练过程 | 第27-28页 |
| 2.3 模糊划分 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于深度神经网络的交通标志识别 | 第29-46页 |
| 3.1 研究对象 | 第29-30页 |
| 3.2 实验数据及预处理 | 第30-36页 |
| 3.2.1 二值化 | 第32页 |
| 3.2.2 直方图均衡化 | 第32-33页 |
| 3.2.3 自适应直方图均衡化 | 第33-34页 |
| 3.2.4 形态学处理 | 第34-35页 |
| 3.2.5 对比度调整 | 第35页 |
| 3.2.6 集成预处理 | 第35-36页 |
| 3.3 网络结构及参数的确定 | 第36-40页 |
| 3.3.1 卷积核与子采样窗口大小的确定 | 第36-37页 |
| 3.3.2 批量训练样本数与特征图数的确定 | 第37-40页 |
| 3.4 实验结果及分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 多列深度神经网络的交通标志识别及其改进 | 第46-54页 |
| 4.1 多列深度神经网络的设计 | 第46-49页 |
| 4.1.1 MCDNN设计思路 | 第46-47页 |
| 4.1.2 深度神经网络优化策略 | 第47-48页 |
| 4.1.3 实验数据 | 第48-49页 |
| 4.2 多列深度神经网络的实现与优化 | 第49-53页 |
| 4.2.1 多列深度神经网络结构确定 | 第49-50页 |
| 4.2.2 模糊判决 | 第50-52页 |
| 4.2.3 实验结果及分析 | 第52-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 在学研究成果 | 第59-60页 |
| 致谢 | 第60页 |
