复杂环境下的道路交通标志检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 交通标志检测中的技术难点 | 第13页 |
| 1.4 论文的主要算法流程 | 第13-15页 |
| 1.5 论文的结构安排 | 第15-16页 |
| 第二章 交通标志图像的预处理 | 第16-30页 |
| 2.1 图像滤波 | 第16-18页 |
| 2.2 雾霾天气图像增强技术及实现 | 第18-23页 |
| 2.2.1 基于直方图均衡化的去雾 | 第18-19页 |
| 2.2.2 基于Retinex理论的去雾 | 第19-21页 |
| 2.2.3 基于暗通道先验理论的去雾 | 第21-23页 |
| 2.3 去光照影响的方法及实现 | 第23-29页 |
| 2.3.1 Gamma校正 | 第26-27页 |
| 2.3.2 归一化的亮度矫正 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于颜色和形状的交通标志检测 | 第30-45页 |
| 3.1 基于颜色的交通标志检测 | 第30-32页 |
| 3.1.1 RGB分割法 | 第30-31页 |
| 3.1.2 HSV分割法 | 第31-32页 |
| 3.2 基于形状的交通标志检测 | 第32-41页 |
| 3.2.1 形态学处理 | 第33-38页 |
| 3.2.2 候选区域的筛选 | 第38-39页 |
| 3.2.3 基于Hough变换的形状检测算法 | 第39-41页 |
| 3.3 实验结果与分析 | 第41-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于深度学习的交通标志检测 | 第45-60页 |
| 4.1 卷积神经网络 | 第45-51页 |
| 4.1.1 卷积层 | 第46-47页 |
| 4.1.2 采样层 | 第47-48页 |
| 4.1.3 激活函数 | 第48-50页 |
| 4.1.4 Softmax分类器 | 第50-51页 |
| 4.2 经典网络结构 | 第51-53页 |
| 4.2.1 LeNet-5网络 | 第51-52页 |
| 4.2.2 AlexNet网络 | 第52-53页 |
| 4.3 迁移学习 | 第53页 |
| 4.4 卷积神经网络的训练 | 第53-57页 |
| 4.4.1 获取预训练网络 | 第54-56页 |
| 4.4.2 网络的微调训练 | 第56-57页 |
| 4.5 实验结果与分析 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 总结 | 第60-61页 |
| 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
