| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 交通标志 | 第11-12页 |
| 1.1.2 辅助驾驶与无人驾驶 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 传统的交通标志识别方法研究现状 | 第14-16页 |
| 1.2.2 基于卷积神经网络的交通标志识别方法 | 第16-17页 |
| 1.3 交通标志识别的研究难点 | 第17-18页 |
| 1.4 论文研究内容和组织结构 | 第18-21页 |
| 2 相关理论基础 | 第21-37页 |
| 2.1 卷积神经网络 | 第21-29页 |
| 2.1.1 卷积神经网络结构 | 第21-27页 |
| 2.1.2 反向传播算法 | 第27-29页 |
| 2.2 基于深度学习的目标检测算法 | 第29-35页 |
| 2.2.1 R-CNN | 第29-30页 |
| 2.2.2 SPP-NET | 第30-31页 |
| 2.2.3 Fast R-CNN | 第31-32页 |
| 2.2.4 Faster R-CNN | 第32-35页 |
| 2.3 本章小结 | 第35-37页 |
| 3 基于深度学习的交通标志检测算法研究 | 第37-57页 |
| 3.1 数据集介绍 | 第37-38页 |
| 3.2 性能指标 | 第38-39页 |
| 3.3 基于Faster R-CNN的交通标志检测 | 第39-47页 |
| 3.3.1 区域候选网络 | 第39-41页 |
| 3.3.2 Fast R-CNN与RPN共享卷积特征 | 第41-42页 |
| 3.3.3 特征网络ResNet | 第42-44页 |
| 3.3.4 实验结果与分析 | 第44-47页 |
| 3.4 基于R-FCN的交通标志检测 | 第47-53页 |
| 3.4.1 位敏得分地图 | 第47-49页 |
| 3.4.2 R-FCN用于交通标志检测 | 第49-50页 |
| 3.4.3 实验结果与分析 | 第50-53页 |
| 3.5 现有算法检测结果与分析 | 第53-56页 |
| 3.6 本章小结 | 第56-57页 |
| 4 基于智能车平台的交通标志识别系统实现 | 第57-73页 |
| 4.1 实验平台搭建 | 第57-61页 |
| 4.1.1 硬件平台 | 第57-60页 |
| 4.1.2 软件平台 | 第60-61页 |
| 4.2 交通标志数据集 | 第61-64页 |
| 4.2.1 数据标注 | 第61-63页 |
| 4.2.2 数据扩充 | 第63-64页 |
| 4.3 模型训练 | 第64-69页 |
| 4.3.1 验证集的使用 | 第64-65页 |
| 4.3.2 微调模型 | 第65-66页 |
| 4.3.3 参数调试实验 | 第66-69页 |
| 4.4 不同行车场景下的交通标志检测 | 第69-72页 |
| 4.4.1 白天场景下的交通标志识别实验结果与分析 | 第70-71页 |
| 4.4.2 夜晚场景下的交通标志识别实验结果与分析 | 第71-72页 |
| 4.5 本章小结 | 第72-73页 |
| 5 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 下一步工作 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 图索引 | 第79-81页 |
| 表索引 | 第81-83页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第83-87页 |
| 学位论文数据集 | 第87页 |
