| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.3 技术研究难点 | 第12-13页 |
| 1.4 本文研究内容及组织结构 | 第13-15页 |
| 第二章 交通标志概述及其图像预处理知识 | 第15-30页 |
| 2.1 交通标志的基本知识 | 第15-16页 |
| 2.2 交通标志图像增强处理 | 第16-20页 |
| 2.2.1 Gamma图像校正 | 第17-19页 |
| 2.2.2 图像锐化 | 第19-20页 |
| 2.3 交通标志图像复原处理 | 第20-25页 |
| 2.3.1 自适应多级中值滤波 | 第20-23页 |
| 2.3.2 自适应高斯滤波 | 第23-25页 |
| 2.4 交通标志图像的颜色分割处理 | 第25-29页 |
| 2.4.1 RGB颜色阈值分割方法 | 第25-26页 |
| 2.4.2 HSV颜色阈值分割方法 | 第26-28页 |
| 2.4.3 Lab颜色阈值分割方法 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于感兴趣区域和随机森林分类器的交通标志检测 | 第30-45页 |
| 3.1 目标感兴趣区域的提取 | 第30-33页 |
| 3.1.1 颜色转换 | 第30-31页 |
| 3.1.2 形状模板匹配 | 第31-32页 |
| 3.1.3 感兴趣区域提取 | 第32-33页 |
| 3.2 交通标志的特征选择与提取 | 第33-35页 |
| 3.2.1 HOG特征描述子的实现步骤 | 第33-34页 |
| 3.2.2 改进后的塔式梯度直方图(PHOG)特征 | 第34-35页 |
| 3.3 基于塔式梯度直方图的随机森林分类器精确检测 | 第35-40页 |
| 3.3.1 随机森林的基本原理 | 第35-37页 |
| 3.3.2 基于结构模型学习的随机森林分类器实现 | 第37-40页 |
| 3.4 实验结果与分析 | 第40-44页 |
| 3.4.1 交通标志检测算法的总体流程 | 第40页 |
| 3.4.2 实验环境与数据的选取 | 第40-41页 |
| 3.4.3 检测结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于积分通道特征和多级分类器的交通标志检测 | 第45-63页 |
| 4.1 基于谱聚类特征的粗检 | 第45-51页 |
| 4.1.1 积分通道特征概述 | 第45-46页 |
| 4.1.2 自适应谱聚类算法 | 第46-48页 |
| 4.1.3 基于ICF特征的软级联分类器实现 | 第48-51页 |
| 4.2 基于支持向量机的形状分类器精检 | 第51-59页 |
| 4.2.1 直方图均衡化预处理 | 第51-52页 |
| 4.2.2 候选区域的特征表示 | 第52-53页 |
| 4.2.3 局部约束线性编码 | 第53-55页 |
| 4.2.4 形状分类器设计 | 第55-56页 |
| 4.2.5 分类器的形状判定能力实验 | 第56-59页 |
| 4.3 交通标志检测算法实验与分析 | 第59-62页 |
| 4.3.1 交通标志检测算法的总体流程 | 第59-60页 |
| 4.3.2 检测结果与分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 工作总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 硕士期间发表的论文与参与的科研项目 | 第71页 |
