| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·本课题研究的背景和意义 | 第12-13页 |
| ·无人车发展技术概述 | 第13-14页 |
| ·国内外交通标志自动识别技术研究的现状 | 第14-16页 |
| ·国外研究的现状 | 第14-15页 |
| ·国内研究的现状 | 第15-16页 |
| ·本文主要的内容和章节安排 | 第16-18页 |
| 第2章 交通标志图像的获取和预处理 | 第18-42页 |
| ·交通标志的采集 | 第18-21页 |
| ·交通标志的分类 | 第21-23页 |
| ·禁令标志的介绍 | 第21页 |
| ·指示标志的介绍 | 第21页 |
| ·警告标志的介绍 | 第21-23页 |
| ·常用颜色空间模型的介绍 | 第23-26页 |
| ·RGB彩色模型 | 第23-24页 |
| ·HSI彩色模型 | 第24-25页 |
| ·HSV彩色模型 | 第25-26页 |
| ·交通标志的预处理 | 第26-31页 |
| ·图像的灰度化 | 第26-27页 |
| ·图像的直方图均衡化 | 第27-28页 |
| ·图像的中值滤波 | 第28-30页 |
| ·图像的Gamma校正 | 第30-31页 |
| ·交通标志图像的分割技术 | 第31-39页 |
| ·基于彩色空间模型的分割算法 | 第32-36页 |
| ·基于灰度阈值的分割算法 | 第36-39页 |
| ·基于数学形态学方法的分割后的图像去噪 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 交通标志图像的局部特征提取算法 | 第42-57页 |
| ·识别中常用的局部特征 | 第42-43页 |
| ·Hu不变矩的概念和特性 | 第42页 |
| ·SIFT特征的概念和特性 | 第42-43页 |
| ·交通标志图像的Hu不变矩特征提取 | 第43-47页 |
| ·Hu不变矩的定义 | 第43-44页 |
| ·Hu不变矩的不变性证明 | 第44-47页 |
| ·交通标志图像的SIFT特征提取 | 第47-51页 |
| ·尺度空间的构建 | 第47-48页 |
| ·局部极值点的检测 | 第48-49页 |
| ·空间极值点的定位 | 第49-50页 |
| ·特征点的方向分配 | 第50页 |
| ·特征点描述子的生成 | 第50-51页 |
| ·SIFT算法的改进 | 第51-53页 |
| ·PCA的特性 | 第51-52页 |
| ·PCA-SIFT描述子的生成 | 第52-53页 |
| ·实验结果对比 | 第53-55页 |
| ·不变矩Hu特征提取实验分析 | 第53-54页 |
| ·SIFT特征提取实验分析 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第4章 交通标志图像的分类 | 第57-76页 |
| ·支持矢量机的基本理论 | 第57-65页 |
| ·机器学习 | 第57-58页 |
| ·统计学理论 | 第58-60页 |
| ·最优分类面 | 第60-62页 |
| ·支持向量机 | 第62-64页 |
| ·核函数 | 第64-65页 |
| ·基于SVM多类分类器的设计 | 第65-67页 |
| ·基于Bag of words模型的交通标志分类 | 第67-71页 |
| ·Bag of words的模型概念 | 第67-69页 |
| ·基于SIFT特征的Bag of words的模型建立 | 第69-71页 |
| ·实验对比与结果分析 | 第71-75页 |
| ·本章小结 | 第75-76页 |
| 第5章 全文工作总结和展望 | 第76-78页 |
| ·本文的研究工作总结 | 第76-77页 |
| ·进一步的研究内容 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第82-83页 |
| 致谢 | 第83页 |