| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景及研究意义 | 第9页 |
| 1.2 交通标志的研究现状与发展 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 交通标志识别存在的问题 | 第11页 |
| 1.4 本文主要工作及结构安排 | 第11-13页 |
| 第2章 交通标志识别相关技术介绍 | 第13-27页 |
| 2.1 交通标志的先验知识 | 第13-14页 |
| 2.2 图像处理相关知识介绍 | 第14-25页 |
| 2.2.1 平滑处理 | 第14-15页 |
| 2.2.2 锐化处理 | 第15-19页 |
| 2.2.3 二值化处理 | 第19-21页 |
| 2.2.4 数学形态学 | 第21-23页 |
| 2.2.5 统计学习理论 | 第23-25页 |
| 2.3 交通标志分类识别系统的总体设计方案 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于颜色特征的交通标志的检测 | 第27-43页 |
| 3.1 图像增强 | 第27-30页 |
| 3.1.1 MSRCR图像增强算法 | 第28页 |
| 3.1.2 亮度分离MSRCR图像增强算法 | 第28-30页 |
| 3.2 基于颜色信息的图像分割 | 第30-34页 |
| 3.2.1 基于HSV颜色模型的分割 | 第30-32页 |
| 3.2.2 基于RGB颜色模型的分割 | 第32-34页 |
| 3.3 交通标志的区域筛选 | 第34-40页 |
| 3.3.1 图像二值化处理 | 第34页 |
| 3.3.2 双阈值二值化处理 | 第34-37页 |
| 3.3.3 基于二值面积形态学去除孤立噪点 | 第37-38页 |
| 3.3.4 经验阈值与自适应阈值相结合的面积阈值筛选 | 第38-40页 |
| 3.4 交通标志的定位及区域截取 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于SVM的级联分类器 | 第43-59页 |
| 4.1 支持向量机简介 | 第43-48页 |
| 4.1.1 最优分类超平面 | 第43-45页 |
| 4.1.2 核函数及参数选择 | 第45-46页 |
| 4.1.3 支持向量机的多分类方法 | 第46-48页 |
| 4.2 样本库建立 | 第48页 |
| 4.3 基于SVM构建交通标志的级联分类器 | 第48-57页 |
| 4.3.1 对交通标志的一级分类 | 第49-53页 |
| 4.3.2 基于Hu不变矩的交通标志的二级分类 | 第53-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 系统设计与实现 | 第59-63页 |
| 5.1 系统功能介绍 | 第59页 |
| 5.2 系统框架介绍 | 第59-60页 |
| 5.3 实验环境介绍 | 第60页 |
| 5.4 性能评价指标 | 第60-61页 |
| 5.5 实验结果与性能分析 | 第61-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第6章 总结和展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63页 |
| 6.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |