交通标志检测与识别技术的研究与应用
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 交通标志检测技术研究现状 | 第12-13页 |
1.2.2 交通标志识别技术研究现状 | 第13-14页 |
1.2.3 存在问题及难点分析 | 第14-15页 |
1.3 论文主要工作 | 第15-16页 |
1.4 论文章节安排 | 第16-19页 |
第二章 研究基础 | 第19-29页 |
2.1 交通标志与数据集 | 第19-20页 |
2.1.1 我国交通标志概况 | 第19页 |
2.1.2 交通标志数据集 | 第19-20页 |
2.2 图像处理基础 | 第20-22页 |
2.2.1 颜色空间 | 第20-21页 |
2.2.2 线性滤波与卷积运算 | 第21-22页 |
2.3 机器学习基础 | 第22-24页 |
2.3.1 有监督学习 | 第23-24页 |
2.3.2 梯度下降法 | 第24页 |
2.3.3 Softmax函数 | 第24页 |
2.4 人工神经网络 | 第24-27页 |
2.4.1 神经元 | 第25页 |
2.4.2 激活函数 | 第25-27页 |
2.4.3 反向传播算法 | 第27页 |
2.5 卷积神经网络 | 第27-28页 |
2.5.1 基本结构 | 第27-28页 |
2.5.2 深度学习框架Caffe | 第28页 |
2.6 本章小结 | 第28-29页 |
第三章 图像去雾预处理 | 第29-39页 |
3.1 基础理论 | 第29-31页 |
3.1.1 雾图成像模型 | 第30页 |
3.1.2 暗通道先验 | 第30-31页 |
3.2 行车场景下的快速图像去雾算法 | 第31-36页 |
3.2.1 行车场景下的大气光强度估计 | 第32-33页 |
3.2.2 粗估计透射率分布 | 第33-34页 |
3.2.3 基于导向滤波细化透射率分布 | 第34-35页 |
3.2.4 基于快速导向滤波细化透射率分布 | 第35-36页 |
3.2.5 图像恢复 | 第36页 |
3.3 实验结果分析 | 第36-38页 |
3.3.1 去雾效果 | 第36-37页 |
3.3.2 运行时间 | 第37-38页 |
3.4 本章小结 | 第38-39页 |
第四章 交通标志检测 | 第39-51页 |
4.1 基于多尺度全卷积网络的交通标志检测算法 | 第39-43页 |
4.1.1 全卷积网络 | 第39-41页 |
4.1.2 多尺度输入机制 | 第41-42页 |
4.1.3 非极大值抑制 | 第42-43页 |
4.2 训练数据 | 第43-44页 |
4.2.1 数据准备 | 第43页 |
4.2.2 数据增强 | 第43-44页 |
4.3 模型的设计与训练 | 第44-47页 |
4.3.1 模型设计 | 第44-45页 |
4.3.2 模型训练 | 第45-47页 |
4.4 算法应用 | 第47-49页 |
4.4.1 模型转换 | 第47页 |
4.4.2 实验结果 | 第47-49页 |
4.5 本章小结 | 第49-51页 |
第五章 交通标志识别 | 第51-57页 |
5.1 训练数据 | 第51-52页 |
5.2 模型的设计与训练 | 第52-55页 |
5.2.1 模型设计 | 第52-54页 |
5.2.2 模型训练 | 第54-55页 |
5.3 算法应用 | 第55-56页 |
5.4 本章小结 | 第56-57页 |
第六章 原型系统设计与算法性能分析 | 第57-67页 |
6.1 系统需求分析 | 第57页 |
6.2 系统总体设计 | 第57-59页 |
6.2.1 系统流程设计 | 第57-58页 |
6.2.2 系统架构设计 | 第58-59页 |
6.3 系统功能设计 | 第59-61页 |
6.3.1 数据处理功能 | 第59-60页 |
6.3.2 数据可视化功能 | 第60-61页 |
6.4 算法性能分析 | 第61-66页 |
6.5 本章小结 | 第66-67页 |
第七章 总结与展望 | 第67-69页 |
7.1 论文工作总结 | 第67-68页 |
7.2 未来工作展望 | 第68-69页 |
参考文献 | 第69-73页 |
致谢 | 第73-75页 |
攻读学位期间取得的研究成果 | 第75页 |