基于卷积神经网络的交通标识识别研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 交通标识检测与识别研究现状 | 第10-11页 |
| 1.3 交通标识检测与识别的难点和关键问题 | 第11-12页 |
| 1.4 论文主要内容和组织结构 | 第12-14页 |
| 2 交通标识检测与识别 | 第14-21页 |
| 2.1 道路交通标识 | 第14页 |
| 2.2 交通标识识别关键技术 | 第14-19页 |
| 2.2.0 图像预处理 | 第15-16页 |
| 2.2.1 交通标识检测算法 | 第16-18页 |
| 2.2.2 交通标识识别算法 | 第18-19页 |
| 2.3 交通标识识别系统基本框架 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 卷积神经网络 | 第21-32页 |
| 3.1 概述 | 第21页 |
| 3.2 卷积神经网络结构 | 第21-22页 |
| 3.3 卷积神经网络的训练 | 第22-27页 |
| 3.4 快速卷积神经网络 | 第27-31页 |
| 3.4.1 二分卷积层 | 第28页 |
| 3.4.2 多采样层 | 第28-29页 |
| 3.4.3 论分析 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 卷积神经网络在交通标识检测中的应用研究 | 第32-41页 |
| 4.1 引言 | 第32页 |
| 4.2 GTSDB数据集介绍 | 第32-33页 |
| 4.3 基于快速卷积神经网络的交通标识检测 | 第33-36页 |
| 4.3.1 提取ROIs | 第33-35页 |
| 4.3.2 识别ROIs | 第35-36页 |
| 4.4 实验结果与分析 | 第36-40页 |
| 4.4.1 数据准备 | 第37页 |
| 4.4.2 在训练集上的实验 | 第37-38页 |
| 4.4.3 在测试集上的实验 | 第38-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 卷积神经网络在交通标识识别中的应用研究 | 第41-54页 |
| 5.1 算法基本流程 | 第41-42页 |
| 5.2 GTSRB数据集介绍 | 第42-43页 |
| 5.3 算法描述 | 第43-47页 |
| 5.3.1 图像预处理 | 第45-46页 |
| 5.3.2 FCNN提取特征 | 第46页 |
| 5.3.3 Softmax回归分类 | 第46-47页 |
| 5.4 实验 | 第47-53页 |
| 5.4.1 交通标识粗分类 | 第47-51页 |
| 5.4.2 交通标识细分类 | 第51-52页 |
| 5.4.3 结果比较与分析 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 1 全文总结 | 第54页 |
| 2 未来展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 附录A FCNN训练过程 | 第62-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
