| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究的背景及意义 | 第7-8页 |
| 1.2 交通标志识别的国内外研究现状 | 第8-10页 |
| 1.2.1 国内研究现状 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9-10页 |
| 1.3 本文的内容安排 | 第10-11页 |
| 第2章 相关理论基础 | 第11-23页 |
| 2.1 深度学习常用方法 | 第11-19页 |
| 2.1.1 栈式自动编码器 | 第11-12页 |
| 2.1.2 受限玻尔兹曼机 | 第12-14页 |
| 2.1.3 深度置信网络 | 第14-15页 |
| 2.1.4 卷积神经网络 | 第15-19页 |
| 2.2 LeNet-5 | 第19-20页 |
| 2.3 支持向量机 | 第20-21页 |
| 2.4 小结 | 第21-23页 |
| 第3章 交通标志图像预处理 | 第23-33页 |
| 3.1 采用的数据集 | 第23页 |
| 3.2 GTSRB数据集的图像预处理方法 | 第23-28页 |
| 3.2.1 区域裁剪 | 第24页 |
| 3.2.2 图像灰度化 | 第24-25页 |
| 3.2.3 图像增强 | 第25-26页 |
| 3.2.4 图像尺寸归一化 | 第26-28页 |
| 3.3 实验与分析 | 第28-31页 |
| 3.3.1 实验结果 | 第28-30页 |
| 3.3.2 与其他预处理方法对比 | 第30-31页 |
| 3.4 小结 | 第31-33页 |
| 第4章 基于二级改进LeNet-5模型的交通标志识别算法 | 第33-49页 |
| 4.1 改进LeNet-5模型 | 第33-34页 |
| 4.2 基于二级改进LeNe-5模型的交通标志识别算法 | 第34-37页 |
| 4.3 仿真实验及性能 | 第37-48页 |
| 4.3.1 网络模型对图像的特征表示 | 第37-38页 |
| 4.3.2 预处理方法的有效性测试 | 第38-39页 |
| 4.3.3 网络模型有效性测试 | 第39-40页 |
| 4.3.4 网络的收敛性测试 | 第40页 |
| 4.3.5 各类标志测试结果 | 第40-46页 |
| 4.3.6 网络模型的性能分析 | 第46-48页 |
| 4.4 小结 | 第48-49页 |
| 第5章 总结和展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |
| 攻读硕士学位期间的研究成果 | 第57页 |