摘要 | 第4-5页 |
Abstract | 第5页 |
1 绪论 | 第8-12页 |
1.1 研究背景及意义 | 第8页 |
1.2 相关知识介绍 | 第8-9页 |
1.3 国内外标志定位与识别的研究概况 | 第9-10页 |
1.4 交通标志定位与识别的难点 | 第10-11页 |
1.5 本文的主要研究工作及框架结构 | 第11-12页 |
2 交通标志定位算法 | 第12-22页 |
2.1 引言 | 第12-13页 |
2.2 从RGB到HSI模型转换 | 第13-16页 |
2.3 图像干扰消除的限制条件 | 第16-17页 |
2.4 系统的自适应性 | 第17-18页 |
2.5 算法流程 | 第18-19页 |
2.6 实验结果及分析 | 第19-22页 |
3 基于稀疏表示的标志识别算法 | 第22-41页 |
3.1 引言 | 第22页 |
3.2 稀疏表示算法介绍 | 第22-25页 |
3.2.1 稀疏表示算法的发展与现状 | 第22-23页 |
3.2.2 稀疏表示基本原理 | 第23-25页 |
3.3 字典的训练 | 第25-32页 |
3.3.1 经典K-SVD训练字典 | 第25-28页 |
3.3.2 像素值为特征的级联字典 | 第28-30页 |
3.3.3 HOG特征的级联字典 | 第30-32页 |
3.4 稀疏分解算法及系数特点分析 | 第32-35页 |
3.4.1 匹配追踪(MP)与正交匹配追踪(OMP) | 第32-33页 |
3.4.2 稀疏系数特点分析 | 第33-35页 |
3.5 算法流程 | 第35-36页 |
3.5.1 字典训练算法流程 | 第35页 |
3.5.2 交通标志的识别流程 | 第35-36页 |
3.6 实验结果与分析 | 第36-41页 |
3.6.1 原子个数的选择 | 第37-38页 |
3.6.2 稀疏度的选择 | 第38-39页 |
3.6.3 与经典算法结果比较 | 第39-41页 |
4 基于非负矩阵分解的标志识别算法 | 第41-55页 |
4.1 引言 | 第41页 |
4.2 非负矩阵分解的基本理论 | 第41-44页 |
4.3 非负矩阵分解用于分类的可行性研究 | 第44-45页 |
4.4 字典的结构与组成 | 第45-46页 |
4.4.1 多类别字典的构造 | 第45-46页 |
4.4.2 字典的构成 | 第46页 |
4.5 分类 | 第46-50页 |
4.5.1 像素值特征时H向量特点及分析 | 第46-48页 |
4.5.2 HOG特征时H向量特点及分析 | 第48-50页 |
4.6 算法流程 | 第50-51页 |
4.6.1 字典训练流程 | 第50-51页 |
4.6.2 标志识别流程 | 第51页 |
4.7 实验结果及分析 | 第51-55页 |
4.7.1 迭代次数的选择 | 第51-52页 |
4.7.2 原子个数r的选择 | 第52-53页 |
4.7.3 与稀疏表示算法稀疏系数特点比较 | 第53-55页 |
结论 | 第55-57页 |
参考文献 | 第57-61页 |
攻读硕士学位期间发表学术论文情况 | 第61-62页 |
致谢 | 第62-63页 |