基于机器学习的交通标志识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10页 |
| 1.2 课题难点 | 第10-11页 |
| 1.3 本文研究的主要内容 | 第11-14页 |
| 1.3.1 交通标志检测算法 | 第12页 |
| 1.3.2 中国道路交通标志识别 | 第12-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 1.4.1 组织结构 | 第14页 |
| 1.4.2 逻辑架构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 交通标志识别相关技术综述 | 第16-26页 |
| 2.1 常见的交通标志检测算法 | 第16-22页 |
| 2.1.1 基于颜色信息的检测算法 | 第16-21页 |
| 2.1.2 基于形状信息的检测算法 | 第21-22页 |
| 2.2 常见的交通标志识别方法 | 第22-24页 |
| 2.2.1 支持向量机 | 第22-23页 |
| 2.2.2 人工神经网络 | 第23-24页 |
| 2.3 国内外交通标志样本库 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于多次阈值化的自适应阈值检测 | 第26-44页 |
| 3.1 研究背景 | 第26页 |
| 3.2 问题描述 | 第26-29页 |
| 3.3 基于中国道路交通标志特征的图像预处理 | 第29-32页 |
| 3.3.1 中国道路交通标志简介 | 第29-31页 |
| 3.3.2 基于颜色特征的图像红蓝化 | 第31-32页 |
| 3.4 交通标志检测过程 | 第32-39页 |
| 3.4.1 多次阈值化 | 第32-33页 |
| 3.4.2 轮廓检测和几何约束 | 第33-34页 |
| 3.4.3 Hu 不变矩的轮廓匹配 | 第34-36页 |
| 3.4.4 多次阈值结果的合并 | 第36-39页 |
| 3.5 实验结果 | 第39-43页 |
| 3.5.1 自适应阈值检测算法的时间性能和检测率 | 第40-42页 |
| 3.5.2 自适应阈值检测算法的抗干扰性 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 中国道路交通标志识别 | 第44-59页 |
| 4.1 研究背景 | 第44页 |
| 4.2 问题描述 | 第44-46页 |
| 4.3 中国道路交通标志样本库的创建 | 第46-50页 |
| 4.3.1 随机仿射变换 | 第46-48页 |
| 4.3.2 随机添加环境背景 | 第48-49页 |
| 4.3.3 随机模糊 | 第49-50页 |
| 4.4 交通标志识别过程 | 第50-54页 |
| 4.4.1 HOG 特征提取 | 第50-51页 |
| 4.4.2 三大类 SVM 分类器的分类识别 | 第51-54页 |
| 4.5 实验结果 | 第54-58页 |
| 4.5.1 识别方法的有效性 | 第54-56页 |
| 4.5.2 系统的时间性能和识别率 | 第56-57页 |
| 4.5.3 系统的抗干扰性 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59-60页 |
| 5.2 未来展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 详细摘要 | 第66-69页 |
