| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状及趋势 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.2.3 总体研究趋势 | 第16-17页 |
| 1.3 研究难点 | 第17-18页 |
| 1.4 本文主要内容和结构安排 | 第18-19页 |
| 2 交通标志图像预处理 | 第19-32页 |
| 2.1 图像归一化处理 | 第19-23页 |
| 2.1.1 图像灰度变换 | 第19-22页 |
| 2.1.2 图像尺寸归一化 | 第22-23页 |
| 2.2 图像降噪处理 | 第23-24页 |
| 2.3 标志去冗余处理 | 第24-30页 |
| 2.3.1 边缘检测 | 第24-28页 |
| 2.3.2 二值化掩模模板 | 第28-29页 |
| 2.3.3 图像掩模运算 | 第29-30页 |
| 2.4 边界距离提取 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 交通标志图像的多特征提取 | 第32-50页 |
| 3.1 基于Gabor滤波的MB-LBP特征 | 第33-41页 |
| 3.1.1 Gabor滤波器的设计 | 第33-36页 |
| 3.1.2 改进的LBP特征 | 第36-39页 |
| 3.1.3 基于Gabor滤波器的MB-LBP特征提取 | 第39-41页 |
| 3.2 结合K-Medoids聚类融合的SIFT特征 | 第41-46页 |
| 3.2.1 改进SIFT特征 | 第41-44页 |
| 3.2.2 K-Medoids聚类 | 第44-46页 |
| 3.2.3 基于K-Medoids的SIFT特征提取 | 第46页 |
| 3.3 梯度方向直方图特征提取 | 第46-48页 |
| 3.4 联合特征融合 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 基于稀疏表示的分类决策 | 第50-63页 |
| 4.1 联合特征的稀疏表示 | 第50-53页 |
| 4.1.1 稀疏表示的基本思想 | 第50-51页 |
| 4.1.2 基于稀疏表示的特征重构 | 第51-53页 |
| 4.2 支持向量机与朴素贝叶斯分类器 | 第53-59页 |
| 4.2.1 支持向量机理论 | 第53-57页 |
| 4.2.2 朴素贝叶斯分类器 | 第57-58页 |
| 4.2.3 支撑向量机与朴素贝叶斯决策融合 | 第58-59页 |
| 4.3 实验结果及分析 | 第59-62页 |
| 4.3.1 实验算法整体流程 | 第60-61页 |
| 4.3.2 单一特征与联合特征分类性能对比 | 第61页 |
| 4.3.3 各级分类结果及SVM NB对比结果 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63页 |
| 5.2 后续工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |
