| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 智能交通研究简介 | 第11-12页 |
| 1.2.2 交通标志检测研究简介 | 第12-15页 |
| 1.2.3 交通标志识别研究简介 | 第15-17页 |
| 1.3 本文研究内容与章节安排 | 第17-19页 |
| 第二章 目标检测技术与SIFT特征概述 | 第19-30页 |
| 2.1 引言 | 第19页 |
| 2.2 静止背景下的运动目标检测 | 第19-20页 |
| 2.2.1 帧间差分法 | 第19-20页 |
| 2.2.2 背景差法 | 第20页 |
| 2.2.3 光流法 | 第20页 |
| 2.3 基于属性特征的目标检测 | 第20-27页 |
| 2.3.1 基于颜色特征的目标区域提取 | 第20-22页 |
| 2.3.2 基于形状特征的目标区域提取 | 第22-23页 |
| 2.3.3 基于梯度特征的目标区域提取 | 第23-27页 |
| 2.4 SIFT特征 | 第27-29页 |
| 2.4.1 SIFT特征点检测 | 第27-28页 |
| 2.4.2 SIFT特征描述子生成 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于先验信息的交通标志检测 | 第30-40页 |
| 3.1 引言 | 第30-31页 |
| 3.2 交通标志的先验信息 | 第31-34页 |
| 3.2.1 交通标志的颜色属性 | 第31-32页 |
| 3.2.2 交通标志的形状属性 | 第32-33页 |
| 3.2.3 基于先验信息的交通标志决策树 | 第33-34页 |
| 3.3 基于先验信息的交通标志检测 | 第34-37页 |
| 3.3.1 基于HSI颜色模型的候选区域提取 | 第34-35页 |
| 3.3.2 基于决策树的交通标志检测 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 复杂动态场景下的交通标志检测 | 第40-51页 |
| 4.1 引言 | 第40页 |
| 4.2 昏暗光照下的道路交通标志检测方法 | 第40-43页 |
| 4.2.1 基于直方图均衡化的彩色图像增强 | 第40-41页 |
| 4.2.2 基于多尺度Retinex的彩色图像增强 | 第41-43页 |
| 4.3 缺失情况下的道路交通标志检测 | 第43-46页 |
| 4.3.1 基于链码跟踪的轮廓检测技术 | 第44-45页 |
| 4.3.2 基于Hough变换的边界补全技术 | 第45页 |
| 4.3.3 算法过程 | 第45-46页 |
| 4.4 基于仿射变换的交通标志形状矫正 | 第46-50页 |
| 4.4.1 透视变换 | 第47页 |
| 4.4.2 关键点检测 | 第47-48页 |
| 4.4.3 双线性插值算法 | 第48-49页 |
| 4.4.4 算法过程 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 交通标志的检测识别系统的实现 | 第51-62页 |
| 5.1 引言 | 第51-52页 |
| 5.2 交通标志检测识别系统框架 | 第52-53页 |
| 5.3 交通标志的识别系统的移植 | 第53-61页 |
| 5.3.1 硬件环境 | 第54页 |
| 5.3.2 软件环境 | 第54页 |
| 5.3.3 交通标志检测识别系统在Android端的实现 | 第54-56页 |
| 5.3.4 交通标志检测识别系统在IOS端的实现 | 第56-58页 |
| 5.3.5 交通标志检测识别系统在DSP上的实现 | 第58-60页 |
| 5.3.6 算法在各平台上的实验对比 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62页 |
| 6.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |