| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 交通标识识别国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究动态 | 第11-13页 |
| 1.2.2 国内研究动态 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文章节安排 | 第15-17页 |
| 第二章 常见交通标识识别算法 | 第17-27页 |
| 2.1 模板匹配法 | 第17-18页 |
| 2.2 方向梯度直方图和支持向量机 | 第18-21页 |
| 2.2.1 HOG特征提取 | 第18-20页 |
| 2.2.2 支持向量机 | 第20-21页 |
| 2.3 特征融合与局部稀疏编码 | 第21-22页 |
| 2.3.1 SIFT原理 | 第21-22页 |
| 2.3.2 交通标识图像特征的稀疏编码 | 第22页 |
| 2.4 卷积神经网络 | 第22-25页 |
| 2.4.1 卷积神经网络基本结构组成 | 第22-23页 |
| 2.4.2 卷积神经网络的经典结构 | 第23-24页 |
| 2.4.3 卷积神经网络原理 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于TensorFlow的卷积神经网络搭建 | 第27-49页 |
| 3.1 搭建系统环境 | 第27-32页 |
| 3.1.1 TensorFlow介绍 | 第27-29页 |
| 3.1.2 AWS环境搭建 | 第29-32页 |
| 3.2 数据集选择 | 第32-34页 |
| 3.3 数据预处理 | 第34-38页 |
| 3.3.1 数据序列化 | 第34-35页 |
| 3.3.2 数据集扩充 | 第35-36页 |
| 3.3.3 改进的自适应直方图均衡化 | 第36-38页 |
| 3.4 搭建卷积神经网络 | 第38-44页 |
| 3.4.1 网络参数简化 | 第38-41页 |
| 3.4.2 网络结构与参数的确定 | 第41-44页 |
| 3.5 模型训练与测试结果 | 第44-46页 |
| 3.6 结果分析 | 第46-47页 |
| 3.7 本章小结 | 第47-49页 |
| 第四章 交通标识识别上位机系统设计 | 第49-61页 |
| 4.1 系统总体设计 | 第49页 |
| 4.2 上位机系统详细设计 | 第49-52页 |
| 4.3 系统功能实现与实验 | 第52-58页 |
| 4.4 本章小结 | 第58-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 后续研究展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 发表论文和参加科研情况 | 第67-69页 |
| 致谢 | 第69页 |