| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究的现状 | 第12-17页 |
| 1.2.1 研究机构概况 | 第12-13页 |
| 1.2.2 理论研究现状 | 第13-17页 |
| 1.3 存在的问题及发展趋势 | 第17-19页 |
| 1.3.1 存在的主要问题 | 第17-18页 |
| 1.3.2 未来的发展趋势 | 第18-19页 |
| 1.4 本文主要研究内容和结构安排 | 第19-21页 |
| 第二章 交通标志检测与识别基础 | 第21-37页 |
| 2.1 交通标志的基本知识 | 第21-23页 |
| 2.2 图像增强预处理 | 第23-27页 |
| 2.2.1 直方图均衡化算法 | 第24页 |
| 2.2.2 双直方图均衡化算法 | 第24-27页 |
| 2.3 常用的颜色空间交通标志检测算法分析 | 第27-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于高斯颜色模型和SVM结合的交通标志检测 | 第37-55页 |
| 3.1 高斯颜色模型的建立 | 第37-42页 |
| 3.2 HOG特征简介 | 第42-44页 |
| 3.3 SVM原理及分类器训练 | 第44-49页 |
| 3.3.1 支持向量机原理 | 第44-47页 |
| 3.3.2 分类器训练 | 第47-49页 |
| 3.4 HOG+SVM分类器形状判别 | 第49-52页 |
| 3.5 Zernike不变矩形状判别 | 第52-54页 |
| 3.5.1 Zernike不变矩原理及形状检测 | 第52-54页 |
| 3.5.2 与HOG+SVM检测方法的比较 | 第54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 基于PCA和神经网络的交通标志识别 | 第55-67页 |
| 4.1 神经网络算法简介 | 第55-56页 |
| 4.2 PCA数据降维 | 第56-58页 |
| 4.3 神经网络结构的设计 | 第58-65页 |
| 4.3.1 概率神经网络模型及学习算法 | 第58-60页 |
| 4.3.2 PNN训练过程 | 第60-61页 |
| 4.3.3 极端学习机算法原理 | 第61-64页 |
| 4.3.4 极端学习机训练 | 第64页 |
| 4.3.5 PNN和ELM的性能比较 | 第64-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67-68页 |
| 5.2 后续工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文 | 第74-75页 |
| 学位论文评阋及答辩情况表 | 第75页 |