| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-11页 |
| 1.1 课题研究背景和研究意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 国外研究现状 | 第7-8页 |
| 1.2.2 国内研究现状 | 第8-9页 |
| 1.3 本文主要研究内容 | 第9-10页 |
| 1.4 本文主要章节 | 第10-11页 |
| 2 交通标志图像的预处理 | 第11-19页 |
| 2.1 交通标志概述 | 第11-12页 |
| 2.2 图像增强处理 | 第12-16页 |
| 2.2.1 Gamma校正 | 第12-13页 |
| 2.2.2 图像均衡化 | 第13-15页 |
| 2.2.3 图像锐化 | 第15-16页 |
| 2.3 图像归一化处理 | 第16页 |
| 2.4 图像去噪处理 | 第16-18页 |
| 2.5 本章总结 | 第18-19页 |
| 3 基于MSER的交通标志提取算法的研究与分析 | 第19-28页 |
| 3.1 引言 | 第19页 |
| 3.2 常见交通标志分割算法简介 | 第19-23页 |
| 3.2.1 基于RGB颜色空间的阈值分割 | 第19-20页 |
| 3.2.2 基于RGB差值的阈值分割 | 第20页 |
| 3.2.3 基于HSI颜色空间的阈值分割 | 第20-21页 |
| 3.2.4 基于YCbCr颜色空间的阈值分割 | 第21-22页 |
| 3.2.5 基于Ohta颜色空间的阈值分割 | 第22-23页 |
| 3.3 MSER最大稳定极值区域算法 | 第23-24页 |
| 3.3.1 MSER最大稳定极值区域基本原理 | 第23页 |
| 3.3.2 基于MSER的交通标志分割算法 | 第23-24页 |
| 3.4 实验与分析 | 第24-27页 |
| 3.5 本章总结 | 第27-28页 |
| 4 基于HOG和SVM的交通标志识别算法 | 第28-47页 |
| 4.1 引言 | 第28页 |
| 4.2 基于HOG算子的交通标志特征提取 | 第28-32页 |
| 4.2.1 HOG算子基本原理 | 第28-29页 |
| 4.2.2 HOG算子实现步骤 | 第29-31页 |
| 4.2.3 基于分块HOG的特征提取 | 第31-32页 |
| 4.3 基于人工神经网络的交通标志识别算法分析 | 第32-38页 |
| 4.3.1 BP神经网络 | 第32-33页 |
| 4.3.2 PNN神经网络 | 第33-35页 |
| 4.3.3 GRNN神经网络 | 第35-36页 |
| 4.3.4 DeepLearning神经网络 | 第36-38页 |
| 4.4 支持向量机 | 第38-41页 |
| 4.4.1 SVM基本原理 | 第38-40页 |
| 4.4.2 基于HOG特征提取和SVM的交通标志识别算法 | 第40页 |
| 4.4.3 SVM库函数调用方式 | 第40-41页 |
| 4.5 实验与分析 | 第41-46页 |
| 4.5.1 测试样本来源 | 第41-43页 |
| 4.5.2 交通标志识别仿真实验 | 第43-45页 |
| 4.5.3 交通标志识别结论对比 | 第45-46页 |
| 4.6 本章总结 | 第46-47页 |
| 5 基于HOG和遗传优化SVM交通标志识别算法的研究 | 第47-58页 |
| 5.1 引言 | 第47页 |
| 5.2 遗传优化SVM的研究和实现 | 第47-54页 |
| 5.2.1 支持向量机的参数优化 | 第47-49页 |
| 5.2.2 传统遗传优化算法 | 第49-50页 |
| 5.2.3 自适应遗传优化算法 | 第50-52页 |
| 5.2.4 自适应遗传优化适应度函数的建立 | 第52-53页 |
| 5.2.5 基于自适应遗传优化SVM的识别算法 | 第53-54页 |
| 5.3 实验结论与对比分析 | 第54-57页 |
| 5.4 本章总结 | 第57-58页 |
| 6 总结与展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-66页 |