| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·引言 | 第10页 |
| ·课题的提出、目的及意义 | 第10-11页 |
| ·道路交通标志识别技术研究成果 | 第11-13页 |
| ·国外研究成果 | 第11-13页 |
| ·国内研究成果 | 第13页 |
| ·交通标志识别技术研究概况 | 第13-15页 |
| ·国外交通标志识别技术概况 | 第13-15页 |
| ·国内交通标志识别技术概况 | 第15页 |
| ·研究目标和主要研究内容 | 第15-16页 |
| ·论文的组织结构 | 第16-18页 |
| 第二章 交通标志识别相关技术理论基础 | 第18-31页 |
| ·引言 | 第18页 |
| ·交通标志常识及识别技术难点 | 第18-20页 |
| ·交通标志常识 | 第18-19页 |
| ·主要的技术难点 | 第19-20页 |
| ·交通标志识别相关技术 | 第20-29页 |
| ·彩色图像分割技术 | 第21-24页 |
| ·基于Hough变换的形状检测技术 | 第24-25页 |
| ·特征提取技术 | 第25-29页 |
| ·模板匹配技术 | 第29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于统计学习理论的支持向量机 | 第31-46页 |
| ·引言 | 第31页 |
| ·统计学习理论 | 第31-38页 |
| ·机器学习问题的表示(Representation of Machine Learning) | 第31-32页 |
| ·经验风险最小化原则(Empirical Risk Minimization) | 第32-33页 |
| ·学习过程的一致性和VC维 | 第33-37页 |
| ·泛化能力的界(Bound of generalization capability) | 第37页 |
| ·结构风险最小化(Structural Risk Minimization) | 第37-38页 |
| ·支持向量机理论 | 第38-45页 |
| ·最优分类超平面 | 第39-40页 |
| ·支持向量机及其核函数 | 第40-42页 |
| ·多分类支持向量机 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于分支树-支持向量机的交通标志识别算法 | 第46-65页 |
| ·引言 | 第46页 |
| ·交通标志识别算法框架 | 第46-48页 |
| ·交通标志识别算法分析 | 第46-47页 |
| ·交通标志识别算法关键解决问题 | 第47-48页 |
| ·交通标志检测算法 | 第48-57页 |
| ·交通标志图像增强 | 第48-50页 |
| ·交通标志图像分割与标号 | 第50-53页 |
| ·基于Hough变换的形状检测 | 第53-56页 |
| ·交通标志检测算法框架 | 第56-57页 |
| ·交通标志特征提取 | 第57-60页 |
| ·交通标志图像内部语义特征提取 | 第57-59页 |
| ·基于径向Tchebichef不变矩的特征提取 | 第59-60页 |
| ·基于分支树-SVM的交通标志识别 | 第60-64页 |
| ·分支树SVM多类分类器设计 | 第60-62页 |
| ·基于分支树SVM多类分类器的交通标志识别 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 原型系统的设计与实现 | 第65-68页 |
| ·系统功能简介 | 第65-66页 |
| ·实验环境 | 第66页 |
| ·系统实现 | 第66-67页 |
| ·部分全局变量 | 第66页 |
| ·部分全局函数 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间取得的学术成果 | 第76-77页 |
| 致谢 | 第77页 |
