自然场景下的交通标志检测与识别
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第16-28页 |
| 1.1 选题背景及意义 | 第16-17页 |
| 1.2 交通标志及数据集介绍 | 第17-22页 |
| 1.2.1 自然场景下的交通标志 | 第18-19页 |
| 1.2.2 数据集介绍 | 第19-22页 |
| 1.3 国内外研究现状 | 第22-26页 |
| 1.3.1 TSR系统研究现状 | 第22-23页 |
| 1.3.2 预处理与颜色分割研究状况 | 第23-24页 |
| 1.3.3 交通标志检测研究现状 | 第24-25页 |
| 1.3.4 交通标志识别研究现状 | 第25-26页 |
| 1.4 论文主要研究内容 | 第26-27页 |
| 1.5 论文章节安排 | 第27-28页 |
| 第2章 自然场景图像预处理与交通标志图像分割 | 第28-46页 |
| 2.1 引言 | 第28页 |
| 2.2 图像预处理算法 | 第28-38页 |
| 2.2.1 天气情况判断标准 | 第28-30页 |
| 2.2.2 网膜增强算法 | 第30-34页 |
| 2.2.3 预处理方法评价指标 | 第34-35页 |
| 2.2.4 预处理方法实验对比及分析 | 第35-38页 |
| 2.3 交通标志图像分割算法 | 第38-43页 |
| 2.3.1 常用交通标志分割方法 | 第39-40页 |
| 2.3.2 背景点剔除交通标志分割算法 | 第40-41页 |
| 2.3.3 颜色分割方法实验对比及分析 | 第41-43页 |
| 2.4 TSR系统分割模块方案介绍 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 基于融合特征的多形状交通标志检测 | 第46-58页 |
| 3.1 基于融合特征和ELM的交通标志检测 | 第46-52页 |
| 3.1.1 特征提取与特征融合 | 第46-51页 |
| 3.1.2 极限学习机 | 第51-52页 |
| 3.2 实验结果与分析 | 第52-56页 |
| 3.3 本章小结 | 第56-58页 |
| 第4章 基于ELM-LRF网络的交通标志识别 | 第58-74页 |
| 4.1 引言 | 第58页 |
| 4.2 常用标志识别模型介绍 | 第58-59页 |
| 4.3 基于ELM-LRF网络模型的交通标志识别 | 第59-64页 |
| 4.3.1 ELM-LRF理论 | 第59页 |
| 4.3.2 交通标志识别模型设计 | 第59-62页 |
| 4.3.3 交通标志识别模型训练 | 第62-63页 |
| 4.3.4 交通标志识别模型优化 | 第63-64页 |
| 4.4 实验结果与分析 | 第64-72页 |
| 4.4.1 实验数据集 | 第64-65页 |
| 4.4.2 实验结果 | 第65-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 系统实现与分析 | 第74-82页 |
| 5.1 WPF简介 | 第74页 |
| 5.2 系统设计 | 第74-76页 |
| 5.2.1 硬件系统配置 | 第74-75页 |
| 5.2.2 软件系统设计 | 第75-76页 |
| 5.3 系统实现 | 第76-80页 |
| 5.3.1 WPF框架设计 | 第76-77页 |
| 5.3.2 MATLAB函数和C | 第77-79页 |
| 5.3.3 平台功能演示 | 第79-80页 |
| 5.4 本章小结 | 第80-82页 |
| 第6章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 攻读硕士期间科研成果 | 第92页 |
