道路交通标志的检测算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 课题研究的背景及意义 | 第12-13页 |
| 1.2 国内外研究的动态和现状 | 第13-14页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 本文研究的主要内容和文章的结构布局 | 第14-16页 |
| 第2章 交通标志检测基础 | 第16-26页 |
| 2.1 交通标志数据集采集及分析 | 第16-17页 |
| 2.2 常用的颜色模型 | 第17-21页 |
| 2.2.1 RGB颜色模型 | 第18-19页 |
| 2.2.2 HSV颜色模型 | 第19-20页 |
| 2.2.3 HSI颜色模型 | 第20-21页 |
| 2.3 交通标志预处理 | 第21-25页 |
| 2.3.1 图像增强处理 | 第21-23页 |
| 2.3.2 图像复原技术 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于颜色特征和SVM融合的交通标志检测 | 第26-40页 |
| 3.1 基于HSV模型空间的颜色分割 | 第26-29页 |
| 3.1.1 颜色特征空间的选择 | 第26-27页 |
| 3.1.2 基于HSV颜色空间的交通标志粗分割 | 第27-28页 |
| 3.1.3 实验与分析 | 第28-29页 |
| 3.2 疑似区域预处理 | 第29-31页 |
| 3.2.1 形态学处理 | 第29页 |
| 3.2.2 二值图像连接操作 | 第29-30页 |
| 3.2.3 实验与分析 | 第30-31页 |
| 3.3 不变矩特征 | 第31-32页 |
| 3.3.1 小波不变矩特征 | 第31页 |
| 3.3.2 Legendre矩特征 | 第31-32页 |
| 3.3.3 组合矩特征 | 第32页 |
| 3.4 基于SVM的交通标志精检测 | 第32-37页 |
| 3.4.1 支持向量机原理 | 第33-36页 |
| 3.4.2 分类器训练 | 第36-37页 |
| 3.5 组合矩特征+SVM进行形状判别 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于卷积神经网络的交通标志识别 | 第40-51页 |
| 4.1 卷积神经网络结构 | 第40-42页 |
| 4.1.1 卷积层 | 第40-41页 |
| 4.1.2 激活层 | 第41页 |
| 4.1.3 池化层 | 第41-42页 |
| 4.1.4 全连接层 | 第42页 |
| 4.2 卷积网络训练方法 | 第42-44页 |
| 4.3 防止过拟合技术 | 第44-46页 |
| 4.3.1 Dropout技术 | 第45-46页 |
| 4.4 基于VGG-16模型的交通标志识别算法 | 第46-47页 |
| 4.4.1 数据预处理 | 第46-47页 |
| 4.4.2 VGG-16网络结构 | 第47页 |
| 4.5 实验及分析 | 第47-50页 |
| 4.5.1 模型训练参数 | 第47-48页 |
| 4.5.2 模型训练过程 | 第48-49页 |
| 4.5.3 实验结果 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 总结和展望 | 第51-53页 |
| 5.1 本文总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读学位期间撰写的专利 | 第57-58页 |
| 致谢 | 第58-59页 |
