基于支持向量机的交通标志识别研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题的研究背景与意义 | 第9-10页 |
| ·课题的主要算法 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·交通标志识别的主要难题 | 第13-14页 |
| ·本文主要研究内容 | 第14-15页 |
| 第2章 交通标志图像检测 | 第15-33页 |
| ·交通标志的基本知识 | 第15-16页 |
| ·基于颜色特征的交通标志检测 | 第16-22页 |
| ·RGB 颜色空间 | 第16-17页 |
| ·HSI 颜色空间 | 第17-19页 |
| ·HSV 颜色空间 | 第19-20页 |
| ·RGB 颜色分量差值法 | 第20页 |
| ·交通标志图像分割实验与结果分析 | 第20-22页 |
| ·图像标记法去噪 | 第22-23页 |
| ·数学形态学 | 第23-25页 |
| ·数学形态学基本理论 | 第23-24页 |
| ·数学形态学处理图像结果与分析 | 第24-25页 |
| ·边缘提取 | 第25-28页 |
| ·Sobel 算子 | 第26页 |
| ·Canny 算子 | 第26-27页 |
| ·边缘检测结果与分析 | 第27-28页 |
| ·Hough 变换 | 第28-30页 |
| ·Hough 变换 | 第28-29页 |
| ·改进的 Hough 变换 | 第29-30页 |
| ·基于 Hough 变换的形状检测 | 第30页 |
| ·投影法定位 | 第30-31页 |
| ·交通标志检测框架 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第3章 交通标志图像特征提取 | 第33-39页 |
| ·图像特征提取概述 | 第33-34页 |
| ·不变矩理论 | 第34-35页 |
| ·特征提取流程 | 第35-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 统计学习理论与支持向量机 | 第39-53页 |
| ·机器学习 | 第39-40页 |
| ·机器学习原理 | 第39-40页 |
| ·经验风险最小化 | 第40页 |
| ·统计学习理论 | 第40-43页 |
| ·VC 维 | 第41页 |
| ·推广性的界 | 第41-42页 |
| ·结构风险最小化 | 第42-43页 |
| ·支持向量机理论 | 第43-52页 |
| ·广义最优分类平面 | 第43-46页 |
| ·支持向量机及其核函数 | 第46-48页 |
| ·多分类支持向量机 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 交通标志识别系统的设计与实现 | 第53-57页 |
| ·交通标志识别框架 | 第53页 |
| ·实验环境 | 第53页 |
| ·支持向量机的训练分类 | 第53-55页 |
| ·数据准备 | 第53-54页 |
| ·分类器的训练识别 | 第54-55页 |
| ·实验结果和分析 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |
