基于深层神经网络的交通标志识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 论文的研究背景与意义 | 第11-12页 |
| 1.2 交通标志识别的研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 交通标志识别的研究难点 | 第14-15页 |
| 1.4 论文的主要研究内容及组织结构 | 第15-17页 |
| 第2章 道路交通标志的识别基础 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 交通标志简介 | 第17-21页 |
| 2.2.1 警告标志 | 第17-18页 |
| 2.2.2 指示标志 | 第18-19页 |
| 2.2.3 禁令标志 | 第19-21页 |
| 2.3 交通标志的预处理 | 第21-27页 |
| 2.3.1 交通标志图像增强技术 | 第21-22页 |
| 2.3.2 交通标志图像去噪 | 第22-24页 |
| 2.3.3 交通标志图像尺度变换 | 第24-25页 |
| 2.3.4 交通标志图像二值化 | 第25-27页 |
| 2.4 常见的交通标志识别方法 | 第27-28页 |
| 2.4.1 模版匹配 | 第27页 |
| 2.4.2 神经网络 | 第27页 |
| 2.4.3 支持向量机 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 深层神经网络 | 第29-47页 |
| 3.1 引言 | 第29页 |
| 3.2 浅层学习 | 第29-33页 |
| 3.2.1 BP神经网络的基本原理 | 第30页 |
| 3.2.2 BP神经网络的学习算法 | 第30-32页 |
| 3.2.3 BP神经网络的应用 | 第32-33页 |
| 3.3 深度学习 | 第33-37页 |
| 3.3.1 深度学习概述 | 第33-34页 |
| 3.3.2 深度结构模型 | 第34-37页 |
| 3.4 深层卷积神经网络 | 第37-44页 |
| 3.4.1 卷积神经网络的基本结构及原理 | 第37-38页 |
| 3.4.2 卷积神经网络的前向传播 | 第38-40页 |
| 3.4.3 卷积神经网络的反向传播 | 第40-44页 |
| 3.4.4 网络权值和阈值的调整 | 第44页 |
| 3.5 本章小结 | 第44-47页 |
| 第4章 基于深层卷积神经网络的交通标志识别 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 深层卷积神经网络识别交通标志的基本原理 | 第47-48页 |
| 4.3 深层卷积神经网络的参数确定 | 第48-49页 |
| 4.3.1 输入层与输出层 | 第48页 |
| 4.3.2 隐含层 | 第48-49页 |
| 4.3.3 权值与阈值 | 第49页 |
| 4.3.4 学习算法 | 第49页 |
| 4.4 实验结果与分析 | 第49-58页 |
| 4.4.1 实验流程图 | 第49-50页 |
| 4.4.2 特征数据准备 | 第50-51页 |
| 4.4.3 交通标志图像预处理的结果与分析 | 第51-55页 |
| 4.4.4 交通标志识别的结果与分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 论文工作总结 | 第59-60页 |
| 5.2 论文研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士期间发表的论文 | 第65-67页 |
| 致谢 | 第67页 |
