基于卷积神经网络的限速标志实时识别及警示系统研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 第2章 系统软硬件选择 | 第16-26页 |
| 2.1 道路限速标志分析 | 第16-18页 |
| 2.1.1 限速标志特征分析 | 第16-17页 |
| 2.1.2 限速标志设置特征分析 | 第17-18页 |
| 2.2 系统技术难点分析 | 第18-19页 |
| 2.3 软/硬件开发工具选择 | 第19-23页 |
| 2.3.1 系统需求分析 | 第19页 |
| 2.3.2 系统开发工具选择 | 第19-22页 |
| 2.3.3 硬件设备选择 | 第22-23页 |
| 2.4 数据库及数据格式选择 | 第23-25页 |
| 2.4.1 数据库选取 | 第23页 |
| 2.4.2 数据格式选取 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 图像预处理及限速标志定位 | 第26-38页 |
| 3.1 视频图像中限速标志牌的特征 | 第26-29页 |
| 3.1.1 待识别图像选取 | 第26-28页 |
| 3.1.2 限速标志区域粗定位 | 第28-29页 |
| 3.2 基于颜色分割及霍夫变换的限速标志定位方法 | 第29-34页 |
| 3.2.1 基于HSV模型的颜色分割 | 第29-31页 |
| 3.2.2 形态学滤波去噪 | 第31-32页 |
| 3.2.3 圆形交通标志精确定位 | 第32-34页 |
| 3.3 基于灰度与数字特征的伪目标排除 | 第34-35页 |
| 3.4 本章小结 | 第35-38页 |
| 第4章 基于卷积神经网络的限速标志图像识别 | 第38-53页 |
| 4.1 限速标志识别预处理技术 | 第38-42页 |
| 4.1.1 图像增强 | 第38-40页 |
| 4.1.2 倾斜校正判断 | 第40-41页 |
| 4.1.3 归一化处理 | 第41-42页 |
| 4.2 基于卷积神经网络的数字识别 | 第42-51页 |
| 4.2.1 卷积神经网络原理 | 第42-43页 |
| 4.2.2 卷积神经网络结构 | 第43-51页 |
| 4.3 数据集选取 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 系统开发与道路试验验证 | 第53-65页 |
| 5.1 限速标志实时识别及警示系统开发 | 第53页 |
| 5.2 系统训练与测试 | 第53-59页 |
| 5.2.1 Caffe深度学习框架 | 第53-54页 |
| 5.2.2 基于Caffe框架进行系统训练 | 第54-57页 |
| 5.2.3 基于Caffe框架的测试结果分析 | 第57-59页 |
| 5.3 系统性能验证 | 第59-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 全文总结及展望 | 第65-69页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 下一步展望 | 第66-69页 |
| 参考文献 | 第69-73页 |
| 附录Ⅰ | 第73-78页 |
| 附录Ⅱ | 第78-84页 |
| 致谢 | 第84-85页 |
