| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 交通标志识别研究背景及意义 | 第10页 |
| 1.2 研究现状及技术难点 | 第10-14页 |
| 1.2.1 国内外研究现状分析 | 第11-13页 |
| 1.2.2 交通标志识别技术难点 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 交通标志识别技术概述 | 第16-24页 |
| 2.1 交通标志识别主要模型分析 | 第16-20页 |
| 2.1.1 交通标志检测经典模型 | 第16-18页 |
| 2.1.2 交通标志分类经典模型 | 第18-20页 |
| 2.2 交通标志公开数据集 | 第20-22页 |
| 2.3 本文识别算法流程 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于特征融合的交通标志检测算法 | 第24-40页 |
| 3.1 交通标志检测问题描述 | 第24-25页 |
| 3.2 主要创新点 | 第25页 |
| 3.3 检测算法的具体实现 | 第25-35页 |
| 3.3.1 红蓝标准化预处理 | 第26页 |
| 3.3.2 基于近似最大最小归一化的自适应阈值分割 | 第26-28页 |
| 3.3.3 形态学滤波及MSER | 第28-30页 |
| 3.3.4 基于连通域对称性分析的形状检测 | 第30-34页 |
| 3.3.5 关于ROI的几何条件约束 | 第34-35页 |
| 3.4 实验结果 | 第35-39页 |
| 3.4.1 数据集说明 | 第35页 |
| 3.4.2 交通标志检测实验结果 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于深度学习的交通标志分类算法 | 第40-52页 |
| 4.1 交通标志分类问题描述 | 第40-41页 |
| 4.2 主要创新点 | 第41页 |
| 4.3 分类算法的具体实现 | 第41-47页 |
| 4.3.1 尺度归一化 | 第41-42页 |
| 4.3.2 数据集增广 | 第42-43页 |
| 4.3.3 CNN深度学习 | 第43-46页 |
| 4.3.4 测试样本预处理 | 第46-47页 |
| 4.3.5 多列深度学习分类 | 第47页 |
| 4.4 实验结果 | 第47-50页 |
| 4.4.1 数据集说明 | 第48页 |
| 4.4.2 交通标志分类实验结果 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 主要工作总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60-61页 |
| 详细摘要 | 第61-63页 |