| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景 | 第8-10页 |
| 1.2 交通标志检测的目的和意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 标志检测方法研究现状 | 第10-12页 |
| 1.3.2 标志识别方法研究现状 | 第12-13页 |
| 1.4 交通标志检测识别的技术难点 | 第13-14页 |
| 1.5 本文主要工作 | 第14页 |
| 1.6 本文的组织结构 | 第14-15页 |
| 第2章 交通标志识别算法的理论基础 | 第15-28页 |
| 2.1 道路交通标志基本知识 | 第15-17页 |
| 2.2 彩色空间模型 | 第17-21页 |
| 2.2.1 RGB彩色空间模型 | 第17-18页 |
| 2.2.2 HSV彩色空间模型 | 第18-19页 |
| 2.2.3 HSI彩色空间模型 | 第19-21页 |
| 2.3 Gamma校正 | 第21-22页 |
| 2.4 卷积神经网络 | 第22-25页 |
| 2.4.1 神经网络 | 第22-23页 |
| 2.4.2 卷积神经网络 | 第23-25页 |
| 2.5 随机森林 | 第25-27页 |
| 2.5.1 决策树 | 第25-26页 |
| 2.5.2 随机森林 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于亮度场景分类和改进三分量色差法的交通标志检测 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 算法整体思路与整体结构 | 第28-29页 |
| 3.3 基于亮度的图像预处理 | 第29-32页 |
| 3.3.1 图像亮度场景分类 | 第29-31页 |
| 3.3.2 自适应Gamma变换 | 第31-32页 |
| 3.4 基于颜色分割的标志粗定位 | 第32-34页 |
| 3.4.1 改进的三分量色差法 | 第33-34页 |
| 3.4.2 归一化RGB单阈值分割法 | 第34页 |
| 3.4.3 最大类间方差法 | 第34页 |
| 3.5 基于形状特征的标志精定位 | 第34-36页 |
| 3.6 算法各部分实现方法 | 第36-38页 |
| 3.7 实验结果与分析 | 第38-43页 |
| 3.7.1 数据集 | 第38-39页 |
| 3.7.2 实验结果与讨论 | 第39-43页 |
| 3.8 本章小结 | 第43-44页 |
| 第4章 基于局部特征和ELM的交通标志识别算法 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 算法整体思路与整体结构 | 第44-45页 |
| 4.3 结合局部特征和ELM的交通标志识别 | 第45-48页 |
| 4.3.1 方向梯度直方图 | 第45-46页 |
| 4.3.2 局部二值模式 | 第46-47页 |
| 4.3.3 极限学习机 | 第47-48页 |
| 4.4 算法各部分实现方法 | 第48-50页 |
| 4.5 实验结果与分析 | 第50-53页 |
| 4.5.1 数据集 | 第50页 |
| 4.5.2 实验结果与讨论 | 第50-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61页 |