自然场景下交通标志实时识别的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 存在的问题和难点 | 第10-11页 |
| 1.4 研究内容和创新点 | 第11-12页 |
| 1.5 论文构成 | 第12-13页 |
| 第二章 图像预处理及感兴趣区域的定位 | 第13-33页 |
| 2.1 颜色空间的分析 | 第13-15页 |
| 2.1.1 认识彩色数字图像 | 第13页 |
| 2.1.2 RGB彩色空间 | 第13-14页 |
| 2.1.3 HSI彩色空间 | 第14页 |
| 2.1.4 YUV与YCbCr | 第14-15页 |
| 2.2 有效颜色信息的轮廓提取 | 第15-19页 |
| 2.2.1 一些颜色提取算法的分析 | 第15-16页 |
| 2.2.2 本文使用的方法 | 第16-17页 |
| 2.2.3 中值滤波和高斯滤波 | 第17-18页 |
| 2.2.4 Canny边缘检测 | 第18-19页 |
| 2.3 圆形的提取 | 第19-23页 |
| 2.3.1 一些形状提取方法 | 第19-20页 |
| 2.3.2 Hough变换 | 第20-21页 |
| 2.3.3 Hough变换查找圆形及其改进 | 第21-23页 |
| 2.4 三角形标识的提取 | 第23-27页 |
| 2.4.1 三角形识别的需求和目标 | 第23-24页 |
| 2.4.2 Hu矩及其特性 | 第24-25页 |
| 2.4.3 利用Hu矩尝试查找 | 第25-27页 |
| 2.5 一种新的三角形识别算法 | 第27-33页 |
| 2.5.1 二值图像的骨架化 | 第27-29页 |
| 2.5.2 寻找线段与合并线段 | 第29-30页 |
| 2.5.3 线段位置关系的判定和三角形的识别 | 第30-33页 |
| 第三章 基于SVM算法的交通标志判别 | 第33-41页 |
| 3.1 SVM二分类器 | 第33-35页 |
| 3.1.1 SVM的作用和优势 | 第33页 |
| 3.1.2 SVM的原理 | 第33-35页 |
| 3.2 图像特征的提取 | 第35-38页 |
| 3.2.1 图像的特征 | 第35-36页 |
| 3.2.2 HOG特征 | 第36-38页 |
| 3.3 数据的训练和参数的优化 | 第38-39页 |
| 3.3.1 SVM训练 | 第38页 |
| 3.3.2 参数优化 | 第38-39页 |
| 3.4 SVM分类结果 | 第39-41页 |
| 第四章 交通标志的识别算法的研究 | 第41-52页 |
| 4.1 分类算法和K-d树 | 第41-43页 |
| 4.1.1 分类算法介绍和KNN | 第41-42页 |
| 4.1.2 建立K-d树 | 第42-43页 |
| 4.2 利用BBF算法的高效搜索 | 第43-45页 |
| 4.3 识别率的提高方法 | 第45-48页 |
| 4.3.1 待识别图像自适应调整 | 第45-47页 |
| 4.3.2 随机森林 | 第47-48页 |
| 4.4 识别实验结果分析 | 第48-49页 |
| 4.5 本算法的识别效率和性能分析 | 第49-51页 |
| 4.5.1 整体算法的架构 | 第49页 |
| 4.5.2 时间复杂度和性能分析 | 第49-50页 |
| 4.5.3 查准率和查全率 | 第50页 |
| 4.5.4 实时处理的效果 | 第50-51页 |
| 4.6 识别效果和意义 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士期间所发表的论文 | 第58-59页 |
| 致谢 | 第59页 |
