自然环境下交通标志的检测与识别算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.2.1 国外研究现状及分析 | 第10-11页 |
| 1.2.2 国内研究现状及分析 | 第11-12页 |
| 1.2.3 文献综述简析 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文的结构 | 第14-15页 |
| 第2章 交通标志检测和识别相关算法介绍 | 第15-29页 |
| 2.1 交通标志检测 | 第15-21页 |
| 2.1.1 基于颜色的方法 | 第15-18页 |
| 2.1.2 基于形状的方法 | 第18-20页 |
| 2.1.3 基于滑动窗口的方法 | 第20页 |
| 2.1.4 检测方法比较 | 第20-21页 |
| 2.2 交通标志识别 | 第21-25页 |
| 2.2.1 基于人工特征提取的方法 | 第21-22页 |
| 2.2.2 基于浅层神经网络的方法 | 第22-24页 |
| 2.2.3 识别方法比较 | 第24-25页 |
| 2.3 基于深度CNN的目标检测识别 | 第25-28页 |
| 2.3.1 基于OverFeat框架的目标检测 | 第25-26页 |
| 2.3.2 基于候选区域的方法 | 第26-27页 |
| 2.3.3 不采用候选区域的方法 | 第27-28页 |
| 2.3.4 两种方法比较 | 第28页 |
| 2.3.5 存在的问题 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 交通标志检测与识别的研究与改进 | 第29-43页 |
| 3.1 基于多任务学习的交通标志检测模型 | 第29-35页 |
| 3.1.1 多任务学习网络 | 第29-31页 |
| 3.1.2 改进后的整体结构 | 第31-32页 |
| 3.1.3 数据扩充策略 | 第32-34页 |
| 3.1.4 训练测试策略 | 第34-35页 |
| 3.2 改进的特征提取网络 | 第35-37页 |
| 3.3 特征融合策略 | 第37-40页 |
| 3.4 改进的多任务学习策略 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 实验结果对比及分析 | 第43-59页 |
| 4.1 实验条件介绍 | 第43-46页 |
| 4.1.1 实验设置及实验环境 | 第43页 |
| 4.1.2 数据集介绍 | 第43-45页 |
| 4.1.3 评价指标 | 第45-46页 |
| 4.2 前期实验 | 第46-49页 |
| 4.2.1 基于YOLO模型的交通标志检测 | 第46-47页 |
| 4.2.2 基于R-FCN模型的交通标志检测 | 第47-48页 |
| 4.2.3 不同尺寸的交通标志检测实验 | 第48-49页 |
| 4.3 多任务学习模型改进实验 | 第49-53页 |
| 4.3.1 网络训练测试参数设置 | 第49-50页 |
| 4.3.2 不同特征提取网络对比 | 第50-51页 |
| 4.3.3 特征融合策略的影响 | 第51-52页 |
| 4.3.4 分层多任务策略的影响 | 第52页 |
| 4.3.5 最新文献对比 | 第52-53页 |
| 4.4 改进方法的泛化性能分析 | 第53-55页 |
| 4.5 实验结果分析 | 第55-58页 |
| 4.5.1 实际检测结果分析 | 第55-57页 |
| 4.5.2 方法的时间性能分析 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-68页 |
| 攻读学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
