基于深度学习的交通信号灯检测与识别方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 深度学习国内外研究现状 | 第9-10页 |
| 1.2.2 交通信号灯检测与识别研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文章节安排 | 第12-13页 |
| 第二章 相关背景知识 | 第13-21页 |
| 2.1 交通信号灯基础知识 | 第13-14页 |
| 2.2 常用颜色空间 | 第14-15页 |
| 2.2.1 RGB颜色空间 | 第14页 |
| 2.2.2 YUV颜色空间 | 第14页 |
| 2.2.3 LAB颜色空间 | 第14-15页 |
| 2.2.4 HSV颜色空间 | 第15页 |
| 2.3 深度学习概述 | 第15-19页 |
| 2.3.1 基本概念 | 第15-16页 |
| 2.3.2 生物学机理 | 第16页 |
| 2.3.3 端到端学习思想 | 第16-17页 |
| 2.3.4 常用深度学习框架 | 第17-19页 |
| 2.4 交通信号灯数据集 | 第19-20页 |
| 2.4.1 Bosch交通信号灯数据集 | 第19-20页 |
| 2.4.2 Lara交通信号灯数据集 | 第20页 |
| 2.5 系统框架 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 交通信号灯检测 | 第21-29页 |
| 3.1 交通信号灯图像预处理 | 第21-23页 |
| 3.1.1 设置ROI | 第21-22页 |
| 3.1.2 形态学去背景 | 第22-23页 |
| 3.2 交通信号灯候选区域提取 | 第23-26页 |
| 3.2.1 色彩分割 | 第23-25页 |
| 3.2.2 连通域标记 | 第25-26页 |
| 3.3 交通信号灯候选区域过滤 | 第26-27页 |
| 3.3.1 像素个数过滤 | 第26-27页 |
| 3.3.2 宽高比过滤 | 第27页 |
| 3.4 候选区域范围设置 | 第27-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 交通信号灯识别 | 第29-50页 |
| 4.1 卷积神经网络 | 第29-34页 |
| 4.1.1 网络结构 | 第29页 |
| 4.1.2 卷积运算 | 第29-31页 |
| 4.1.3 池化操作 | 第31-32页 |
| 4.1.4 激活函数 | 第32-33页 |
| 4.1.5 全连接层 | 第33-34页 |
| 4.2 网络模型设计 | 第34-38页 |
| 4.2.1 轻量级网络模型 | 第34-36页 |
| 4.2.2 基于迁移学习网络模型 | 第36-38页 |
| 4.3 网络模型训练 | 第38-41页 |
| 4.3.1 前向传播原理 | 第38-39页 |
| 4.3.2 反向传播原理 | 第39-40页 |
| 4.3.3 最优化算法 | 第40-41页 |
| 4.4 消除过拟合策略 | 第41-44页 |
| 4.4.1 数据增强 | 第41-42页 |
| 4.4.2 Dropout | 第42-43页 |
| 4.4.3 EarlyStopping | 第43-44页 |
| 4.5 网络模型测试 | 第44-49页 |
| 4.5.1 测试数据 | 第44页 |
| 4.5.2 数据预处理 | 第44-46页 |
| 4.5.3 测试结果 | 第46-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 实验与分析 | 第50-58页 |
| 5.1 实验环境 | 第50页 |
| 5.2 实验数据 | 第50-51页 |
| 5.3 实验结果 | 第51-54页 |
| 5.3.1 检测结果展示 | 第51-53页 |
| 5.3.2 识别结果展示 | 第53-54页 |
| 5.4 实验结果分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 未来展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简介及科研成果 | 第64页 |
