| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 交通标志检测与识别的研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 交通标志识别相关技术概述 | 第11-12页 |
| 1.4 交通标志的介绍 | 第12-14页 |
| 1.5 交通标志检测与识别的研究难点 | 第14页 |
| 1.6 本文的主要研究内容与结构安排 | 第14-16页 |
| 2 图像预处理增强 | 第16-26页 |
| 2.1 直方图均衡算法 | 第16-18页 |
| 2.2 Retinex算法图像增强 | 第18-25页 |
| 2.2.1 颜色恒常性 | 第19页 |
| 2.2.2 Retinex理论基础 | 第19-21页 |
| 2.2.3 单尺度Retinex算法 | 第21-22页 |
| 2.2.4 多尺度Retinex算法 | 第22-24页 |
| 2.2.5 带色彩恢复的Retinex算法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 交通标志检测 | 第26-44页 |
| 3.1 常见的颜色空间模型 | 第26-28页 |
| 3.2 基于颜色特征的交通标志初步分割 | 第28-36页 |
| 3.2.1 基于RGB颜色特征的交通标志分割 | 第29-31页 |
| 3.2.2 基于HSV颜色特征的交通标志分割 | 第31-33页 |
| 3.2.3 基于数学形态学的图像去噪 | 第33-36页 |
| 3.3 基于形状特征的交通标志细分割 | 第36-43页 |
| 3.3.1 Canny边缘检测提取区域轮廓 | 第37-39页 |
| 3.3.2 基于Hough变换的圆形交通标志检测 | 第39-41页 |
| 3.3.3 基于多边形逼近的交通标志检测 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于支持向量机的交通标志识别 | 第44-64页 |
| 4.1 交通标志识别系统的特征提取 | 第44-47页 |
| 4.1.1 矩的定义 | 第44-45页 |
| 4.1.2 Hu不变矩 | 第45-47页 |
| 4.2 支持向量机的基本理论 | 第47-50页 |
| 4.2.1 统计学习理论 | 第47-49页 |
| 4.2.2 VC维理论 | 第49-50页 |
| 4.3 支持向量机 | 第50-54页 |
| 4.3.1 线性可分 | 第51-52页 |
| 4.3.2 非线性可分 | 第52-53页 |
| 4.3.3 多类分类器 | 第53-54页 |
| 4.4 基于SVM的交通标志分类 | 第54-62页 |
| 4.4.1 SVM训练过程 | 第55-58页 |
| 4.4.2 SVM分类识别及结果分析 | 第58-62页 |
| 4.5 本章小结 | 第62-64页 |
| 5 系统的嵌入式平台实现及性能分析 | 第64-70页 |
| 5.1 系统整体概述 | 第64-67页 |
| 5.1.1 Cubieboard4硬件平台 | 第64-66页 |
| 5.1.2 系统的软件设计与平台实现 | 第66-67页 |
| 5.2 系统的性能分析 | 第67-68页 |
| 5.3 本章小结 | 第68-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 本文工作总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78-79页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第78页 |
| B. 作者在攻读硕士学位期间参与的科研项目与竞赛情况 | 第78-79页 |
| C. 本文检测的交通标志图 | 第79页 |