| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 交通标志识别算法 | 第14-17页 |
| 1.2.2 图像超分辨率重建算法 | 第17-20页 |
| 1.3 本文的主要研究内容 | 第20-21页 |
| 1.4 本文的内容安排 | 第21-23页 |
| 第二章 数据库介绍 | 第23-29页 |
| 2.1 交通标志识别库 | 第23-26页 |
| 2.1.1 德国交通标志识别标准库 | 第23-24页 |
| 2.1.2 72类中国模糊图像处理大赛交通标志识别库 | 第24页 |
| 2.1.3 瑞典交通标志数据库 | 第24-26页 |
| 2.2 交通标志超分辨率重建训练库 | 第26-29页 |
| 2.2.1 图像超分辨率重建训练库 | 第26-28页 |
| 2.2.2 图像超分辨率重建测试库 | 第28-29页 |
| 第三章 基于层次化学习的多类交通标志识别 | 第29-45页 |
| 3.1 交通标志数据集的不平衡性 | 第29-31页 |
| 3.2 层次化的交通标志识别结构 | 第31-32页 |
| 3.3 聚合通道特征 | 第32-35页 |
| 3.3.1 积分通道特征 | 第33-35页 |
| 3.3.2 聚合通道特征 | 第35页 |
| 3.4 基于Soft-Cascade Adaboost的层次化交通标志形状分类 | 第35-38页 |
| 3.5 基于随机森林的交通标志分类 | 第38-40页 |
| 3.6 计算复杂度分析 | 第40-42页 |
| 3.7 实验结果 | 第42-44页 |
| 3.8 本章小结 | 第44-45页 |
| 第四章 基于超分辨率重建的交通标志识别 | 第45-71页 |
| 4.1 交通标志尺度对交通标志识别结果的影响 | 第45-47页 |
| 4.2 图像的超分辨率重建迁移学习 | 第47-48页 |
| 4.3 基于耦合深度自编码的交通标志超分辨率重建 | 第48-54页 |
| 4.3.1 训练耦合深度自编码网络 | 第50-53页 |
| 4.3.2 通过耦合深度自编码进行超分辨率重建 | 第53-54页 |
| 4.4 基于深度卷积网络的交通标志超分辨率重建 | 第54-56页 |
| 4.4.1 基于深度神经网络的图像超分辨率重建 | 第54-56页 |
| 4.4.2 对VDSR网络进行微调 | 第56页 |
| 4.5 图像质量的客观评价标准 | 第56-59页 |
| 4.6 图像超分辨率重建预处理实验结果 | 第59-67页 |
| 4.7 超分辨率重建后交通标志识别结果 | 第67-69页 |
| 4.8 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 研究生期间的科研活动和科研成果 | 第77-79页 |
| 致谢 | 第79-80页 |