| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究难点 | 第12-13页 |
| 1.4 本文的研究内容与组织结构 | 第13-15页 |
| 第二章 交通标志图像预处理 | 第15-20页 |
| 2.1 引言 | 第15页 |
| 2.2 灰度及灰度归一化 | 第15-17页 |
| 2.3 感兴趣区域分割提取 | 第17页 |
| 2.4 图像尺度归一化 | 第17-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 交通标志图像的特征提取 | 第20-33页 |
| 3.1 特征提取概述 | 第20-21页 |
| 3.2 HOG特征 | 第21-27页 |
| 3.2.1 HOG特征概述 | 第21-22页 |
| 3.2.2 交通标志的HOG特征提取 | 第22-27页 |
| 3.3 GIST特征 | 第27-32页 |
| 3.3.1 GIST特征概述 | 第27-28页 |
| 3.3.2 Gabor滤波器组 | 第28-30页 |
| 3.3.3 GIST特征的提取 | 第30页 |
| 3.3.4 交通标志的GIST特征提取 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于广义典型相关分析特征融合的交通标志识别 | 第33-51页 |
| 4.1 引言 | 第33-34页 |
| 4.2 广义典型相关分析 | 第34-37页 |
| 4.2.1 典型相关分析 | 第34页 |
| 4.2.2 基本思想及求解 | 第34-36页 |
| 4.2.3 广义典型相关分析的特征融合 | 第36-37页 |
| 4.3 支持向量机 | 第37-41页 |
| 4.3.1 支持向量机原理 | 第37-40页 |
| 4.3.2 Liblinear的原理 | 第40-41页 |
| 4.4 广义典型相关分析应用于交通标志识别 | 第41-50页 |
| 4.4.1 算法分析 | 第41-42页 |
| 4.4.2 实验 | 第42-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于字典学习稀疏表示的交通标志识别 | 第51-62页 |
| 5.1 引言 | 第51-52页 |
| 5.2 稀疏表示的算法 | 第52-55页 |
| 5.2.1 MP算法 | 第52-54页 |
| 5.2.2 OMP算法 | 第54-55页 |
| 5.3 K-SVD字典学习算法 | 第55-56页 |
| 5.4 特征融合的字典学习稀疏表示的交通标志识别 | 第56-61页 |
| 5.4.1 算法分析 | 第56-57页 |
| 5.4.2 实验结果与分析 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 读硕期间发表的论文与参加的科研项目 | 第71页 |