基于深度学习的交通标志检测算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 传统研究方法 | 第9-11页 |
| 1.2.2 基于卷积神经网络的交通标志检测方法 | 第11-14页 |
| 1.2.3 交通标志公共数据集 | 第14-15页 |
| 1.3 论文主要内容与结构安排 | 第15-17页 |
| 第二章 构建初始道路交通标志数据集 | 第17-25页 |
| 2.1 中国道路交通标志特点分析 | 第17-20页 |
| 2.2 交通标志数据的预处理 | 第20-25页 |
| 2.2.1 数据收集 | 第20-21页 |
| 2.2.2 预处理 | 第21-23页 |
| 2.2.3 数据集的划分 | 第23-25页 |
| 第三章 全类别交通标志检测算法 | 第25-36页 |
| 3.1 卷积神经网络模型 | 第26-31页 |
| 3.1.1 卷积神经网络的基本结构 | 第26-28页 |
| 3.1.2 提取交通标志卷积特征 | 第28-29页 |
| 3.1.3 交通标志候选区域的计算 | 第29-31页 |
| 3.2 基于卷积神经网络的交通标志检测算法 | 第31-33页 |
| 3.2.1 训练交通标志卷积网络模型的损失函数 | 第31-32页 |
| 3.2.2 卷积网络模型的微调训练 | 第32-33页 |
| 3.3 实验结果分析 | 第33-36页 |
| 3.3.1 模型对比实验 | 第33-34页 |
| 3.3.2 模型可靠性测试实验 | 第34-36页 |
| 第四章 基于图切精定位的交通标志数据自动收集算法 | 第36-51页 |
| 4.1 交通标志精定位检测 | 第37-38页 |
| 4.2 基于图切自标定的交通标志数据集构建方法 | 第38-45页 |
| 4.2.1 基于图切的图像分割 | 第38-40页 |
| 4.2.2 交互式图像分割 | 第40-44页 |
| 4.2.3 数据自标定方法 | 第44-45页 |
| 4.3 实验结果分析 | 第45-51页 |
| 4.3.1 标志定位精度实验 | 第45-47页 |
| 4.3.2 模型对比实验 | 第47-48页 |
| 4.3.3 视频交通标志检测实验 | 第48-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 论文工作总结 | 第51-52页 |
| 5.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
