支持向量机在交通标志识别中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·智能交通系统 | 第9-11页 |
| ·智能交通系统的概述 | 第9-10页 |
| ·我国智能交通系统发展情况 | 第10-11页 |
| ·交通标志识别系统 | 第11-14页 |
| ·交通标志识别系统简介 | 第11-12页 |
| ·交通标志识别系统的一般框架 | 第12-13页 |
| ·交通标志识别系统研究现状 | 第13-14页 |
| ·交通标志识别系统研究中存在的问题 | 第14页 |
| ·本文选题的意义 | 第14页 |
| ·主要平台和工具介绍 | 第14-16页 |
| ·主要硬件平台 | 第15页 |
| ·主要研究工具 | 第15-16页 |
| ·论文的主要结构和内容 | 第16-18页 |
| 第二章 统计学习理论和支持向量机 | 第18-34页 |
| ·机器学习 | 第18-22页 |
| ·机器学习的基本问题 | 第18-19页 |
| ·机器学习的研究历史 | 第19-20页 |
| ·传统学习方法的不足 | 第20-21页 |
| ·统计学习理论的提出 | 第21-22页 |
| ·统计学习理论 | 第22-26页 |
| ·函数集的VC维 | 第22-24页 |
| ·推广能力的界 | 第24页 |
| ·结构风险最小 | 第24-26页 |
| ·支持向量机理论 | 第26-32页 |
| ·线形可分 | 第26-29页 |
| ·线性不可分 | 第29-30页 |
| ·支持向量机 | 第30-31页 |
| ·支持向量机的核函数 | 第31-32页 |
| ·支持向量机应用中的几个难点 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 交通标志图像分割 | 第34-46页 |
| ·交通标志图像获取 | 第34-36页 |
| ·交通标志图像分割 | 第36-44页 |
| ·交通标志分割的现状 | 第36-37页 |
| ·基于RGB颜色空间的交通标志图像分割 | 第37-41页 |
| ·RGB颜色空间和HSV颜色空间的介绍 | 第37-39页 |
| ·基于HSI和RGB颜色空间的交通标志分割的比较 | 第39-41页 |
| ·基于HSI颜色空间交通标志分割的策略 | 第39-40页 |
| ·基于RGB颜色空间交通标志分割的策略 | 第40页 |
| ·基于HSI和RGB颜色分割的比较 | 第40-41页 |
| ·交通标志分割流程 | 第41-44页 |
| ·交通标志图像增强--Gamma矫正 | 第42-43页 |
| ·交通标志定位 | 第43-44页 |
| ·基于RGB颜色空间交通标志分割的试验结果和分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 不变矩在交通标志特征提取中的应用 | 第46-61页 |
| ·特征选择和提取概念及图像特征的描述 | 第46-47页 |
| ·特征选择和提取概念 | 第46-47页 |
| ·图像特征描述 | 第47页 |
| ·不变矩理论 | 第47-55页 |
| ·矩与不变矩的基本概念 | 第48页 |
| ·矩特征的一般表示形式 | 第48-50页 |
| ·代数不变矩 | 第50-53页 |
| ·正交不变矩 | 第53-55页 |
| ·交通标志不变矩特征提取 | 第55-59页 |
| ·扩展的不变矩 | 第55-56页 |
| ·不变矩的提取流程 | 第56-57页 |
| ·交通标志特征提取试验和结果分析 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第五章 支持向量机在交通标志识别系统中的应用 | 第61-72页 |
| ·交通标志识别系统结构分析 | 第61-62页 |
| ·支持向量机多类分类方法及其特点分析 | 第62-65页 |
| ·决策树支持向量机多分类器 | 第65-67页 |
| ·实验和结果分析 | 第67-71页 |
| ·实验流程图 | 第67页 |
| ·实验过程介绍 | 第67-70页 |
| ·实验结果和分析 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 基于支持向量机的交通标志识别系统的实现 | 第72-75页 |
| 第七章 总结与展望 | 第75-78页 |
| ·本文的主要工作 | 第75-76页 |
| ·研究中存在的问题 | 第76页 |
| ·展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79-80页 |
| 参考文献 | 第80-82页 |
