自然场景下智能驾驶汽车的交通标志检测与识别
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 交通标志的检测和识别的研究现状 | 第12-13页 |
| 1.3 研究难点 | 第13页 |
| 1.4 研究目标和内容 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 交通标志及相关理论基础 | 第15-37页 |
| 2.1 交通标志分析 | 第15-17页 |
| 2.1.1 警告标志 | 第16页 |
| 2.1.2 禁令标志 | 第16-17页 |
| 2.1.3 指示标志 | 第17页 |
| 2.2 交通标志预处理 | 第17-23页 |
| 2.2.1 图像去噪 | 第18-21页 |
| 2.2.2 图像增强 | 第21-23页 |
| 2.3 交通标志检测方法 | 第23-29页 |
| 2.3.1 基于颜色特征的检测方法 | 第23-28页 |
| 2.3.2 基于形状的检测及其难点 | 第28-29页 |
| 2.3.3 基于颜色和形状检测算法 | 第29页 |
| 2.4 交通标志识别方法 | 第29-35页 |
| 2.4.1 模版匹配 | 第29-30页 |
| 2.4.2 支持向量机 | 第30-34页 |
| 2.4.3 神经网络 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 交通标志检测网络 | 第37-56页 |
| 3.1 卷积神经网络 | 第37-46页 |
| 3.1.1 卷积神经网络结构 | 第38-43页 |
| 3.1.2 卷积神经网络的特点 | 第43-46页 |
| 3.2 交通标志检测网络 | 第46-55页 |
| 3.2.1 深度可分离级联卷积结构 | 第46-48页 |
| 3.2.2 级联卷积模型 | 第48-53页 |
| 3.2.3 网络的参数配置 | 第53-55页 |
| 3.3 本章小节 | 第55-56页 |
| 4 交通标志识别网络 | 第56-64页 |
| 4.1 铺叠卷积网络 | 第56-58页 |
| 4.1.1 铺叠卷积网络的结构 | 第56-57页 |
| 4.1.2 铺叠卷积网络的参数设置 | 第57-58页 |
| 4.2 稠密网络 | 第58-63页 |
| 4.2.1 稠密网络的结构 | 第58-62页 |
| 4.2.2 网络的参数配置 | 第62-63页 |
| 4.3 本章小节 | 第63-64页 |
| 5 实验评估 | 第64-88页 |
| 5.1 实验环境及设备 | 第64-66页 |
| 5.1.1 算法框架 | 第64-65页 |
| 5.1.2 实验设备 | 第65-66页 |
| 5.2 交通标志数据集 | 第66-69页 |
| 5.2.1 国外交通标志数据集 | 第66-67页 |
| 5.2.2 国内交通标志数据集 | 第67-69页 |
| 5.3 模型的训练 | 第69-72页 |
| 5.3.1 训练数据的预处理 | 第69-70页 |
| 5.3.2 训练检测和识别模型 | 第70-72页 |
| 5.4 检测和识别实验 | 第72-86页 |
| 5.4.1 测试数据的拍摄 | 第72-74页 |
| 5.4.2 实验结果分析 | 第74-86页 |
| 5.5 本章小结 | 第86-88页 |
| 结论 | 第88-90页 |
| 参考文献 | 第90-93页 |
| 攻读硕士期间的研究成果 | 第93-94页 |
| 致谢 | 第94-95页 |
