| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 交通标志检测国内外研究现状 | 第10-11页 |
| 1.2.2 交通标志识别国内外研究现状 | 第11页 |
| 1.3 检测与识别存在的问题 | 第11-12页 |
| 1.4 研究内容 | 第12页 |
| 1.5 论文框架结构 | 第12-14页 |
| 第2章 相关理论技术研究 | 第14-28页 |
| 2.1 交通标志数据集 | 第14-16页 |
| 2.1.1 GTSDB交通标志检测数据集 | 第14-15页 |
| 2.1.2 GTSRB交通标志识别数据集 | 第15-16页 |
| 2.2 深度学习 | 第16页 |
| 2.3 卷积神经网络 | 第16-25页 |
| 2.3.1 卷积层 | 第17-18页 |
| 2.3.2 激活函数 | 第18页 |
| 2.3.3 池化层 | 第18-19页 |
| 2.3.4 全连接层 | 第19-20页 |
| 2.3.5 回归模型SoftMax | 第20-23页 |
| 2.3.6 训练过程 | 第23-25页 |
| 2.4 识别模型 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 交通标志检测算法研究 | 第28-42页 |
| 3.1 交通标志检测常用算法 | 第28-33页 |
| 3.1.1 基于颜色特征的交通标志检测算法 | 第28-32页 |
| 3.1.2 基于形状特征的交通标志检测算法 | 第32-33页 |
| 3.2 基于颜色、形状特征与机器学习混合的交通标志检测算法研究 | 第33-40页 |
| 3.2.1 检测算法整体流程 | 第34-35页 |
| 3.2.2 HSV颜色空间阈值分割 | 第35页 |
| 3.2.3 感兴趣区域检测 | 第35-36页 |
| 3.2.4 训练SVM分类器 | 第36-39页 |
| 3.2.5 实验结果与分析 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第4章 交通标志识别算法研究 | 第42-50页 |
| 4.1 交通标志识别常用算法 | 第42-44页 |
| 4.1.1 基于模板匹配的交通标志识别算法 | 第42-43页 |
| 4.1.2 基于卷积神经网络的交通标志识别算法 | 第43-44页 |
| 4.2 基于MCCNN的交通标志识别算法研究 | 第44-49页 |
| 4.2.1 实验数据预处理 | 第44-45页 |
| 4.2.2 基于MCCNN网络结构的研究 | 第45-46页 |
| 4.2.3 特征提取与训练模型 | 第46-47页 |
| 4.2.4 实验结果与分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 交通标志检测与识别原型系统的设计与测试 | 第50-62页 |
| 5.1 需求分析 | 第50页 |
| 5.1.1 功能需求 | 第50页 |
| 5.1.2 非功能需求 | 第50页 |
| 5.2 总体设计 | 第50-52页 |
| 5.2.1 整体架构设计 | 第50-51页 |
| 5.2.2 详细设计 | 第51-52页 |
| 5.3 系统测试与结果分析 | 第52-61页 |
| 5.3.1 交通标志识别数据集 | 第52页 |
| 5.3.2 交通标志检测功能测试 | 第52-56页 |
| 5.3.3 交通标志识别功能测试 | 第56-59页 |
| 5.3.4 检测与识别系统测试与结果分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |