自然场景下交通标志检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 交通标志检测算法研究的难点分析 | 第13-14页 |
| 1.4 交通标志检测数据库 | 第14-20页 |
| 1.4.1 数据库的建立 | 第15-18页 |
| 1.4.2 数据库中交通标志的统计特性 | 第18-20页 |
| 1.5 本文检测算法研究的主要流程 | 第20-21页 |
| 1.6 本文的主要工作和结构安排 | 第21-22页 |
| 2 基于颜色的交通标志检测 | 第22-34页 |
| 2.1 图像预处理 | 第22-26页 |
| 2.1.1 图像滤波 | 第22-23页 |
| 2.1.2 色彩空间分析 | 第23-25页 |
| 2.1.3 图像增强 | 第25-26页 |
| 2.2 颜色分割 | 第26-32页 |
| 2.2.1 RGB空间颜色分割 | 第27-28页 |
| 2.2.2 HSV空间颜色分割 | 第28页 |
| 2.2.3 颜色分割结果融合 | 第28-32页 |
| 2.3 实验结果及分析 | 第32页 |
| 2.4 小结 | 第32-34页 |
| 3 基于形状的交通标志检测 | 第34-42页 |
| 3.1 形态学处理 | 第34页 |
| 3.2 候选区域的筛选 | 第34-36页 |
| 3.3 交通标志的形状检测 | 第36-41页 |
| 3.3.1 轮廓逼近和孔洞填充 | 第37-39页 |
| 3.3.2 形状检测 | 第39-41页 |
| 3.4 小结 | 第41-42页 |
| 4 基于机器学习的交通标志检测 | 第42-62页 |
| 4.1 预处理 | 第43-45页 |
| 4.2 特征提取 | 第45-52页 |
| 4.2.1 梯度方向直方图特征 | 第45-49页 |
| 4.2.2 Gabor小波特征 | 第49-52页 |
| 4.3 分类器选取 | 第52-59页 |
| 4.3.1 支持向量机基本原理 | 第52-57页 |
| 4.3.2 随机森林基本原理 | 第57-59页 |
| 4.4 试验结果与分析 | 第59-62页 |
| 5 总结和展望 | 第62-64页 |
| 5.1 本文总结 | 第62页 |
| 5.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
