基于机器学习的交通标志识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题的背景及意义 | 第9-10页 |
| 1.2 课题难点 | 第10-11页 |
| 1.3 国内外研究现状 | 第11页 |
| 1.4 本文研究的主要内容 | 第11-12页 |
| 1.4.1 交通标志的检测 | 第12页 |
| 1.4.2 交通标志的识别 | 第12页 |
| 1.5 本文的章节安排 | 第12-13页 |
| 1.5.1 组织结构 | 第12-13页 |
| 1.5.2 逻辑结构 | 第13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 相关理论基础 | 第14-28页 |
| 2.1 常见的交通标志检测方法 | 第14-20页 |
| 2.1.1 基于颜色特征的检测方法 | 第14-18页 |
| 2.1.2 基于颜色信息检测方法的主要难点 | 第18-19页 |
| 2.1.3 基于形状特征的检测方法 | 第19-20页 |
| 2.1.4 基于形状信息检测方法的主要难点 | 第20页 |
| 2.2 交通标志识别常用的分类方法 | 第20-26页 |
| 2.2.1 支持向量机 | 第21-23页 |
| 2.2.2 人工神经网络 | 第23-26页 |
| 2.3 国内外的交通标志样本库 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于形状和颜色信息的检测 | 第28-40页 |
| 3.1 基于形状信息的粗检测 | 第28-33页 |
| 3.1.1 三大类样本库的建立 | 第28-29页 |
| 3.1.2 方向梯度直方图特征提取 | 第29-31页 |
| 3.1.3 构建形状分类器 | 第31-33页 |
| 3.2 基于颜色信息的细检测 | 第33-36页 |
| 3.2.1 RGB与HSV颜色空间转换 | 第33-34页 |
| 3.2.2 进行颜色分量判断 | 第34-36页 |
| 3.3 界面设计及检测 | 第36-39页 |
| 3.3.1 设计约束 | 第36页 |
| 3.3.2 界面设计原则 | 第36页 |
| 3.3.3 程序结构和设计原则 | 第36页 |
| 3.3.4 检测部分演示 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于HOG与SVM的交通标志识别方法 | 第40-52页 |
| 4.1 识别样本库的创建 | 第40-41页 |
| 4.1.1 中国道路交通标志简介 | 第40-41页 |
| 4.1.2 建立识别样本库 | 第41页 |
| 4.2 建立识别分类器 | 第41-45页 |
| 4.2.1 特征提取 | 第41-43页 |
| 4.2.2 使用SVM训练分类器 | 第43-45页 |
| 4.3 交通标志的识别 | 第45-51页 |
| 4.3.1 识别及结果分析 | 第45-48页 |
| 4.3.2 系统的抗干扰性 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 基于深度学习的交通标志识别方法 | 第52-61页 |
| 5.1 卷积神经网络 | 第52-54页 |
| 5.1.1 卷积神经网络结构 | 第52-53页 |
| 5.1.2 卷积神经网络的优点 | 第53-54页 |
| 5.2 基于深度卷积神经网络算法 | 第54-56页 |
| 5.2.1 网络模型介绍 | 第54-55页 |
| 5.2.2 网络参数配置 | 第55-56页 |
| 5.2.3 模型训练 | 第56页 |
| 5.3 实验结果分析 | 第56-60页 |
| 5.3.1 训练结果 | 第57-58页 |
| 5.3.2 可视化结果分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结和展望 | 第61-62页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64页 |
