首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于极限学习机的交通标志识别算法研究

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

论文共61页,点击 下载论文
上一篇:面向人工骨的3D打印机结构设计及骨三维重建方法研究
下一篇:协同过滤算法及在智能音箱中的应用