| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文的研究背景和意义 | 第10-11页 |
| 1.2 前方车辆检测技术研究的国内外现状与发展趋势 | 第11-12页 |
| 1.3 国内外行人检测技术的研究现状 | 第12-13页 |
| 1.4 国内外交通标志检测与识别技术的研究现状与发展趋势 | 第13-14页 |
| 1.4.1 交通标志检测算法 | 第13-14页 |
| 1.4.2 交通标志识别算法 | 第14页 |
| 1.5 本课题主要研究内容 | 第14-16页 |
| 第2章 交通对象检测与识别相关基础 | 第16-34页 |
| 2.1 目标检测与识别整体框架 | 第16-18页 |
| 2.2 常用交通对象数据集 | 第18-20页 |
| 2.2.1 加州理工学院行人检测集 | 第18-19页 |
| 2.2.2 德国交通标志检测与识别集 | 第19-20页 |
| 2.3 常用特征提取与降维技术 | 第20-28页 |
| 2.3.1 梯度方向直方图 | 第20-22页 |
| 2.3.2 局部二值化模式 | 第22-25页 |
| 2.3.3 基于LUV空间的颜色聚合向量 | 第25-27页 |
| 2.3.4 主成分分析 | 第27-28页 |
| 2.4 支持向量机 | 第28-30页 |
| 2.5 性能评价指标 | 第30-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于可形变部件模型的交通对象检测技术 | 第34-48页 |
| 3.1 交通对象检测算法整体框架 | 第34-35页 |
| 3.2 基于HOG金字塔的传统可形变部件模型 | 第35-40页 |
| 3.3 基于HLV特征的改进可形变部件模型 | 第40-45页 |
| 3.3.1 基于HOG、LBP和LUV特征的HLV融合特征 | 第40-42页 |
| 3.3.2 基于HLV特征的改进可形变部件模型 | 第42-45页 |
| 3.4 结果分析 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于深度学习的交通标志识别技术 | 第48-72页 |
| 4.1 基于深度学习的交通标志识别整体框架 | 第48-49页 |
| 4.2 常用图像增强技术 | 第49-54页 |
| 4.2.1 常用的颜色空间 | 第49-51页 |
| 4.2.2 常用图像增强算法 | 第51-54页 |
| 4.3 卷积神经网络 | 第54-60页 |
| 4.3.1 神经网络概述 | 第55-58页 |
| 4.3.2 卷积神经网络 | 第58-60页 |
| 4.4 基于卷积神经网络的交通标志识别 | 第60-64页 |
| 4.5 结果分析 | 第64-71页 |
| 4.6 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第78-80页 |
| 致谢 | 第80页 |
