交通标志和信号灯图像检测技术研究--基于视觉感知人工神经网络的方法
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 引言 | 第8-26页 |
| ·课题研究背景 | 第8-10页 |
| ·研究现状以及成果 | 第10-23页 |
| ·交通标志基础知识及交通标志图像检测方法回顾 | 第10-13页 |
| ·交通信号灯基础知识及交通信号灯图像检测方法回顾 | 第13-16页 |
| ·模式识别在图像检测中的应用 | 第16-19页 |
| ·视觉通路介绍 | 第19-20页 |
| ·感知人工神经网络所面临的挑战 | 第20-22页 |
| ·不变性的讨论 | 第22-23页 |
| ·本文主要研究内容与结构安排 | 第23-26页 |
| 2 基于颜色特征的图像检测 | 第26-35页 |
| ·RGB颜色空间分割法及改进 | 第26-27页 |
| ·HSV颜色空间分割法及改进 | 第27-29页 |
| ·基于简单向量滤波器的分割方法及改进 | 第29-32页 |
| ·实验结果分析 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 3 基于形状特征的目标检测 | 第35-48页 |
| ·滤波处理 | 第35-39页 |
| ·基于矩形度和圆形度的形状检测 | 第39-40页 |
| ·基于模糊规则的形状检测 | 第40-44页 |
| ·实验结果分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 4 基于视觉感知的人工神经网络 | 第48-62页 |
| ·原地学习网络 | 第48-50页 |
| ·原地学习 | 第50-56页 |
| ·学习类型 | 第50-51页 |
| ·回归网络 | 第51页 |
| ·侧抑制 | 第51-52页 |
| ·Hebbian学习 | 第52-53页 |
| ·叶成分 | 第53-54页 |
| ·对于非固定的过程 | 第54-55页 |
| ·用于单层原地学习算法 | 第55-56页 |
| ·多层网络 | 第56-61页 |
| ·MILN的概述 | 第57-58页 |
| ·软监督 | 第58-59页 |
| ·监督的动态调度 | 第59-60页 |
| ·多层网络 | 第60页 |
| ·拓扑映射 | 第60-61页 |
| ·稀疏编码 | 第61页 |
| ·本章小结 | 第61-62页 |
| 5 MILN用于交通标志及信号灯图像检测 | 第62-70页 |
| ·预处理 | 第62-63页 |
| ·实验设计 | 第63-66页 |
| ·实验结果分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 6 总结和展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
