| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 交通标志检测国内外研究现状 | 第11-14页 |
| 1.2.2 交通标志识别国内外研究现状 | 第14-16页 |
| 1.2.3 交通标志检测与识别存在的难点问题 | 第16-17页 |
| 1.3 论文主要研究内容和结构安排 | 第17-20页 |
| 1.3.1 论文主要研究内容 | 第17-18页 |
| 1.3.2 论文结构安排 | 第18-20页 |
| 第二章 交通标志检测与识别相关知识 | 第20-25页 |
| 2.1 交通标志概述 | 第20页 |
| 2.2 交通标志数据集介绍 | 第20-24页 |
| 2.2.1 德国交通标志数据集 | 第21-22页 |
| 2.2.2 美国交通标志数据集 | 第22-23页 |
| 2.2.3 比利时交通标志数据集 | 第23页 |
| 2.2.4 数据集对比 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于显著性的交通标志检测方法 | 第25-44页 |
| 3.1 超像素 | 第25-28页 |
| 3.1.1 超像素基本概念 | 第25-26页 |
| 3.1.2 超像素分割 | 第26-28页 |
| 3.2 概率图模型 | 第28-30页 |
| 3.2.1 马尔科夫网络 | 第28-29页 |
| 3.2.2 图模型的建立 | 第29-30页 |
| 3.3 图像显著性检测 | 第30-35页 |
| 3.3.1 显著性概念 | 第30-31页 |
| 3.3.2 显著特征选择 | 第31-32页 |
| 3.3.3 显著性建模 | 第32-33页 |
| 3.3.4 显著特征融合 | 第33-35页 |
| 3.4 感兴趣区域提取 | 第35-36页 |
| 3.5 算法测试及实验结果 | 第36-43页 |
| 3.5.1 实验结果 | 第36-40页 |
| 3.5.2 算法对比分析 | 第40-42页 |
| 3.5.3 算法评价 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于卷积神经网络的交通标志识别方法 | 第44-71页 |
| 4.1 卷积神经网络 | 第45-54页 |
| 4.1.1 卷积神经网络结构 | 第45-50页 |
| 4.1.2 卷积神经网络训练过程 | 第50-54页 |
| 4.2 基于卷积神经网络Alex Net的交通标志识别 | 第54-65页 |
| 4.2.1 深度学习框架Caffe | 第54-56页 |
| 4.2.2 Alex Net网络模型结构 | 第56-60页 |
| 4.2.3 数据集选取 | 第60-63页 |
| 4.2.4 网络改进与参数设置 | 第63-65页 |
| 4.3 算法测试及实验结果 | 第65-70页 |
| 4.3.1 算法对比分析 | 第65-68页 |
| 4.3.2 实验结果 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间的研究成果 | 第79-80页 |
| 致谢 | 第80页 |