基于支持向量机的多特征交通标志识别的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 交通标志识别的应用价值及研究意义 | 第11-12页 |
| 1.1.1 道路交通标志状况监测 | 第11页 |
| 1.1.2 智能辅助驾驶系统 | 第11-12页 |
| 1.2 交通标志识别的研究现状 | 第12-14页 |
| 1.2.1 国外的研究 | 第12-13页 |
| 1.2.2 国内的研究 | 第13-14页 |
| 1.3 交通标志识别中的困难和问题 | 第14页 |
| 1.4 本文的研究重点 | 第14-15页 |
| 1.5 论文的整体结构内容 | 第15-17页 |
| 第2章 图像处理技术和支持向量机 | 第17-27页 |
| 2.1 图像预处理技术 | 第17-22页 |
| 2.1.1 去噪处理 | 第17-18页 |
| 2.1.2 图像增强 | 第18-21页 |
| 2.1.3 形态学图像处理 | 第21-22页 |
| 2.2 统计学习和支持向量机 | 第22-26页 |
| 2.2.1 统计学习理论知识 | 第23-24页 |
| 2.2.2 支持向量机介绍 | 第24-25页 |
| 2.2.3 支持向量机分类 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 交通标志的检测分割 | 第27-39页 |
| 3.1 交通标志的分析 | 第27-28页 |
| 3.2 基于颜色的检测 | 第28-31页 |
| 3.2.1 HSI颜色空间 | 第28-29页 |
| 3.2.2 HSV颜色空间 | 第29页 |
| 3.2.3 RGB颜色空间 | 第29-31页 |
| 3.3 基于形状的边缘检测和分析 | 第31-32页 |
| 3.4 双阈值区域筛选 | 第32-38页 |
| 3.4.1 图像阈值分割 | 第33-35页 |
| 3.4.2 区域筛选 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 交通标志的多特征提取 | 第39-47页 |
| 4.1 图像的特征提取及描述 | 第39-40页 |
| 4.2 EDH和不变矩的特征提取 | 第40-45页 |
| 4.2.1 EDH特征提取 | 第41-42页 |
| 4.2.2 Hu不变矩特征提取 | 第42-44页 |
| 4.2.3 Zernike矩特征提取 | 第44-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 基于支持向量机的二级分类识别 | 第47-61页 |
| 5.1 交通标志样本的选取 | 第48-49页 |
| 5.2 支持向量机SVM的一级形状分类 | 第49-56页 |
| 5.2.1 SVM核函数和参数的选取 | 第49-50页 |
| 5.2.2 训练样本的特征提取 | 第50-51页 |
| 5.2.3 特征权重的分配和寻优 | 第51-56页 |
| 5.3 支持向量机SVM的二级多特征分类 | 第56-59页 |
| 5.4 本章小结 | 第59-61页 |
| 第6章 系统实现及测试结果 | 第61-69页 |
| 6.1 交通标志识别系统的总体结构 | 第61-62页 |
| 6.2 性能及实验结果分析 | 第62-68页 |
| 6.2.1 性能评价因子的选取 | 第63-65页 |
| 6.2.2 实验及结果分析 | 第65-68页 |
| 6.3 本章小结 | 第68-69页 |
| 第7章 总结与展望 | 第69-71页 |
| 7.1 本文的主要工作总结 | 第69页 |
| 7.2 存在的问题和不足 | 第69页 |
| 7.3 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
