基于车载摄像头的路面交通标志识别研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 路面交通标志识别国内外研究现状 | 第17-19页 |
| 1.2.2 深度学习目标识别国内外研究现状 | 第19-20页 |
| 1.3 本文研究难点 | 第20页 |
| 1.4 论文主要工作及其结构 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第二章 目标识别算法概述 | 第22-36页 |
| 2.1 引言 | 第22页 |
| 2.2 图像特征提取 | 第22-25页 |
| 2.2.1 HOG特征简介 | 第22-24页 |
| 2.2.2 Hu不变矩特征简介 | 第24-25页 |
| 2.3 分类算法 | 第25-29页 |
| 2.3.1 支持向量机简介 | 第25-28页 |
| 2.3.2 相似性度量 | 第28-29页 |
| 2.4 深度学习概述 | 第29-33页 |
| 2.4.1 深度学习简介 | 第29-30页 |
| 2.4.2 传统神经网络与深度神经网络 | 第30-32页 |
| 2.4.3 深度学习结构 | 第32-33页 |
| 2.5 卷积神经网络算法 | 第33-35页 |
| 2.5.1 卷积神经网络简介 | 第33-34页 |
| 2.5.2 卷积神经网络特征提取 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于HOG和SVM的路面交通标志识别 | 第36-49页 |
| 3.1 引言 | 第36-37页 |
| 3.2 车道线检测 | 第37-45页 |
| 3.2.1 LSD算法简介 | 第38-40页 |
| 3.2.2 基于约束性条件LSD车道线检测 | 第40-44页 |
| 3.2.3 实验结果以及分析 | 第44-45页 |
| 3.3 路面交通标志识别 | 第45-48页 |
| 3.3.1 路面交通标志分割 | 第45-46页 |
| 3.3.2 路面交通标志特征提取和识别 | 第46-47页 |
| 3.3.3 实验结果以及分析 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于深度学习的路面交通标志识别 | 第49-62页 |
| 4.1 SSD网络模型简介 | 第49-52页 |
| 4.1.1 RPN网络简介 | 第49-50页 |
| 4.1.2 SSD模型结构 | 第50-52页 |
| 4.2 AlexNet网络简介 | 第52-53页 |
| 4.3 基于深度学习的路面交通标志检测 | 第53-55页 |
| 4.3.1 基于深度学习的路面交通标志检测模型 | 第53-54页 |
| 4.3.2 路面交通标志识别流程 | 第54-55页 |
| 4.4 实验结果及分析 | 第55-61页 |
| 4.4.1 建立路面交通标志数据集 | 第55-56页 |
| 4.4.2 评价参数定义 | 第56页 |
| 4.4.3 实验结果及分析 | 第56-60页 |
| 4.4.4 难点分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第68-69页 |
