基于共享卷积神经网络的交通标志检测与识别研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 论文研究背景及意义 | 第10-12页 |
| 1.2 交通标志检测与识别技术研究现状 | 第12-19页 |
| 1.2.1 道路交通标志简介 | 第13-14页 |
| 1.2.2 交通标志检测技术研究现状 | 第14-16页 |
| 1.2.3 交通标志识别技术研究现状 | 第16-18页 |
| 1.2.4 当前存在的问题 | 第18-19页 |
| 1.3 论文主要研究内容和结构安排 | 第19-21页 |
| 第二章 卷积神经网络基本原理及分析 | 第21-33页 |
| 2.1 卷积神经网络基本原理 | 第21-28页 |
| 2.2 常见卷积神经网络模型 | 第28-32页 |
| 2.3 卷积神经网络分析 | 第32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于共享卷积神经网络的交通标志检测与识别 | 第33-52页 |
| 3.1 算法整体架构 | 第33-34页 |
| 3.2 基于RPN改进的交通标志检测算法 | 第34-41页 |
| 3.2.1 改进的区域建议网络RPN | 第34-35页 |
| 3.2.2 检测网络模型结构 | 第35-36页 |
| 3.2.3 候选区域提取过程 | 第36-40页 |
| 3.2.4 算法对比分析 | 第40-41页 |
| 3.3 基于SPPNet改进的交通标志识别算法 | 第41-46页 |
| 3.3.1 改进的空间金字塔池化网络SPPNet | 第41-42页 |
| 3.3.2 识别网络模型结构 | 第42-44页 |
| 3.3.3 候选区域分类过程 | 第44-45页 |
| 3.3.4 算法对比分析 | 第45-46页 |
| 3.4 损失函数设置 | 第46-49页 |
| 3.5 网络训练策略分析 | 第49-50页 |
| 3.5.1 基本网络训练策略 | 第49-50页 |
| 3.5.2 共享卷积神经网络训练策略 | 第50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 算法测试与性能分析 | 第52-69页 |
| 4.1 交通标志数据集选取 | 第52-56页 |
| 4.1.1 常用交通标志数据集概述 | 第52-55页 |
| 4.1.2 数据集对比选取 | 第55-56页 |
| 4.2 算法测试与验证 | 第56-62页 |
| 4.2.1 网络训练参数设置 | 第56-57页 |
| 4.2.2 算法测试结果 | 第57-62页 |
| 4.3 同类算法对比与性能分析 | 第62-68页 |
| 4.3.1 同类算法实验结果 | 第62-64页 |
| 4.3.2 算法对比分析 | 第64-66页 |
| 4.3.3 算法评价 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 交通标志检测与识别软件系统的构建与实现 | 第69-79页 |
| 5.1 系统总体概述 | 第69-70页 |
| 5.2 系统软件平台构建 | 第70-74页 |
| 5.2.1 系统开发环境Caffe搭建 | 第70-71页 |
| 5.2.2 系统开发关键技术 | 第71-74页 |
| 5.3 系统功能实现 | 第74-77页 |
| 5.3.1 图像采集与预处理 | 第75-76页 |
| 5.3.2 交通标志识别结果 | 第76-77页 |
| 5.4 系统性能分析 | 第77-78页 |
| 5.5 本章小结 | 第78-79页 |
| 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间的研究成果 | 第85-86页 |
| 致谢 | 第86页 |
