基于机器学习的道路交通标志识别方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 综述 | 第12-20页 |
| 1.1 交通标志识别研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 交通标志检测算法 | 第15-16页 |
| 1.2.2 交通标志识别算法 | 第16-17页 |
| 1.3 交通标志检测与识别存在的难题 | 第17-18页 |
| 1.4 论文安排 | 第18-20页 |
| 1.4.1 论文研究思路 | 第18-19页 |
| 1.4.2 论文主要研究内容 | 第19-20页 |
| 2 交通标志图像库 | 第20-32页 |
| 2.1 交通标志概述 | 第20-23页 |
| 2.1.1 交通标志分类及含义 | 第20-22页 |
| 2.1.2 交通标示设计特点 | 第22-23页 |
| 2.2 交通标志图像库(一) | 第23-27页 |
| 2.2.1 图像库(一)构建流程 | 第23-26页 |
| 2.2.2 图像库(一)详情 | 第26-27页 |
| 2.3 交通标志图像库(二) | 第27-31页 |
| 2.3.1 图像库(二)构建流程 | 第27-30页 |
| 2.3.2 图像库(二)详情 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 交通标志检测 | 第32-48页 |
| 3.1 图像预处理 | 第32-36页 |
| 3.1.1 图像预处理算法概述 | 第32-33页 |
| 3.1.2 图像的光照均衡 | 第33-34页 |
| 3.1.3 图像的去噪处理 | 第34-36页 |
| 3.2 基于颜色特征的检测与分割 | 第36-42页 |
| 3.2.1 基于颜色特征的检测与分割算法 | 第36-39页 |
| 3.2.2 图像检测与分割结果分析 | 第39-42页 |
| 3.3 基于形状特征的检测与分割 | 第42-46页 |
| 3.3.1 基于形状特征的检测与分割算法 | 第42-44页 |
| 3.3.2 图像检测与分割结果分析 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 4 图像特征提取 | 第48-56页 |
| 4.1 特征提取算法概述 | 第48-49页 |
| 4.2 HOG特征提取算法 | 第49-51页 |
| 4.3 PCA特征提取算法 | 第51-54页 |
| 4.3.1 2DPCA基本理论 | 第52-53页 |
| 4.3.2 算法实现流程 | 第53-54页 |
| 4.4 算法分析对比 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 基于机器学习的分步交通标志识别 | 第56-78页 |
| 5.1 交通标志识别粗分类算法 | 第56-59页 |
| 5.1.1 粗分类算法流程 | 第56-58页 |
| 5.1.2 粗分类实验结果分析 | 第58-59页 |
| 5.2 交通标志识别细分类算法 | 第59-60页 |
| 5.3 基于网格搜索的PCA-SVM算法 | 第60-69页 |
| 5.3.1 SVM基本理论 | 第60-61页 |
| 5.3.2 SVM二分类算法 | 第61-66页 |
| 5.3.3 SVM多类分类算法 | 第66-69页 |
| 5.4 基于网格搜索的HOG-PNN算法 | 第69-77页 |
| 5.4.1 PNN基本理论 | 第69-70页 |
| 5.4.2 PNN分类算法 | 第70-77页 |
| 5.5 本章小结 | 第77-78页 |
| 6 总结与展望 | 第78-82页 |
| 6.1 本文的主要工作 | 第78-79页 |
| 6.2 展望 | 第79-82页 |
| 参考文献 | 第82-86页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第86-90页 |
| 学位论文数据集 | 第90页 |
