| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究难点 | 第9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.4 本文的研究内容和组织结构 | 第11-12页 |
| 1.4.1 论文的研究内容 | 第11页 |
| 1.4.2 论文的组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 交通标志检测与识别技术综述 | 第13-26页 |
| 2.1 道路交通标志基础 | 第13-14页 |
| 2.2 交通标志检测技术介绍 | 第14-19页 |
| 2.2.1 基于颜色的交通标志检测 | 第14-17页 |
| 2.2.2 基于形状的交通标志检测 | 第17-18页 |
| 2.2.3 基于颜色和形状结合的交通标志检测 | 第18页 |
| 2.2.4 基于深度学习的交通标志检测 | 第18-19页 |
| 2.3 交通标志识别技术介绍 | 第19-24页 |
| 2.3.1 基于特征提取+分类器的交通标志识别 | 第19-22页 |
| 2.3.2 基于深度学习的交通标志识别 | 第22-24页 |
| 2.4 交通标志数据集 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 交通标志检测 | 第26-49页 |
| 3.1 图像的预处理 | 第26-31页 |
| 3.1.1 限制对比度的自适应直方图均衡化 | 第27-29页 |
| 3.1.2 标志颜色增强 | 第29-30页 |
| 3.1.3 形态学滤波提升对比度 | 第30-31页 |
| 3.2 基于MSER的感兴趣区域的提取与筛选 | 第31-39页 |
| 3.2.1 基于MSER算法的最大稳定极值区域提取 | 第31-33页 |
| 3.2.2 基于开运算的消除ROI的粘连问题 | 第33-35页 |
| 3.2.3 感兴趣区域的提取和初步筛选 | 第35-39页 |
| 3.3 基于卷积神经网络的感兴趣区域的二次判别 | 第39-46页 |
| 3.3.1 正负样本的生成 | 第39-42页 |
| 3.3.2 CNN的结构与模型训练 | 第42-46页 |
| 3.4 实验结果与分析 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 4 交通标志识别 | 第49-57页 |
| 4.1 图像预处理 | 第49-50页 |
| 4.2 在LeNet-5网络上的实验 | 第50-52页 |
| 4.2.1 LeNet-5网络简介 | 第50-51页 |
| 4.2.2 实验结果与分析 | 第51-52页 |
| 4.3 改进的网络模型 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-60页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 不足与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |