自然场景下退化交通标志检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 交通标志检测研究现状 | 第12-16页 |
| 1.2.2 退化交通标志检测研究现状 | 第16-18页 |
| 1.3 本文的研究内容 | 第18-20页 |
| 1.3.1 交通标志数据集 | 第18页 |
| 1.3.2 本文研究内容 | 第18-20页 |
| 1.4 论文的结构及安排 | 第20-21页 |
| 2 交通标志颜色增强算法 | 第21-31页 |
| 2.1 归一化RGB阈值增强算法 | 第21-25页 |
| 2.1.1 RGB彩色空间 | 第21-22页 |
| 2.1.2 增强算法实现 | 第22-25页 |
| 2.2 交通标志分割实验与分析 | 第25-30页 |
| 2.2.1 基于MSER算法的图像分割 | 第25-27页 |
| 2.2.2 归一化RGB单阈值分割法 | 第27-28页 |
| 2.2.3 基于HSI颜色空间单阈值分割法 | 第28-29页 |
| 2.2.4 实验结果及分析 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于MSER区域检测的交通标志分割算法 | 第31-36页 |
| 3.1 最大稳定极值区域(MSER) | 第31-33页 |
| 3.2 MSER改进算法 | 第33-34页 |
| 3.3 MSER区域筛选 | 第34-35页 |
| 3.4 基于MSER改进算法的交通标志分割 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于方向梯度直方图的交通标志分类算法 | 第36-57页 |
| 4.1 特征提取及分类器 | 第36-42页 |
| 4.1.1 HOG特征 | 第36-39页 |
| 4.1.2 线性SVM分类器 | 第39-42页 |
| 4.2 分块分类算法 | 第42-46页 |
| 4.2.1 HOG特征在SVM中的分块得分 | 第42-44页 |
| 4.2.2 利用HOG特征分块对交通标志进行分类 | 第44-45页 |
| 4.2.3 对比实验 | 第45-46页 |
| 4.3 实验内容及结果 | 第46-56页 |
| 4.3.1 实验整体思路 | 第46-48页 |
| 4.3.2 训练分类器模型 | 第48-49页 |
| 4.3.3 分类过程 | 第49-50页 |
| 4.3.4 对检测结果进行优化 | 第50-51页 |
| 4.3.5 实验结果及分析 | 第51-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结及展望 | 第57-60页 |
| 5.1 本文工作总结 | 第57-58页 |
| 5.2 后续工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
