| 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 交通标志检测与识别研究现状 | 第11-12页 |
| 1.3 研究内容和章节安排 | 第12-15页 |
| 第二章 基于颜色空间模型的交通标志分割算法 | 第15-25页 |
| 2.1 交通标志说明 | 第15-16页 |
| 2.2 颜色模型在交通标志颜色分割上的使用 | 第16-24页 |
| 2.2.1 基于RGB颜色空间模型的颜色分割算法 | 第16-18页 |
| 2.2.2 基于HSV颜色空间模型的颜色分割算法 | 第18-19页 |
| 2.2.3 基于CIE L~*a~*b颜色空间模型的颜色分割算法 | 第19-21页 |
| 2.2.4 基于归一化的RGB颜色空间的自适应阈值分割算法 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于傅里叶描述子的交通标志形状检测 | 第25-38页 |
| 3.1 交通标志形状检测常用的描述子 | 第25-31页 |
| 3.1.1 霍夫(Hough)变换描述子 | 第26-27页 |
| 3.1.2 Hu不变矩描述子 | 第27-28页 |
| 3.1.3 轮廓到边界的距离描述子 | 第28-29页 |
| 3.1.4 傅里叶描述子 | 第29-31页 |
| 3.2 基于傅里叶描述子和重心距离函数的交通标志检测算法 | 第31-37页 |
| 3.2.1 傅里叶描述子特征提取 | 第32-34页 |
| 3.2.2 形状检测 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于HOG特征的支持向量机识别 | 第38-55页 |
| 4.1 HOG(histogram of oriented gradient)特征提取 | 第38-41页 |
| 4.2 统计学习理论和支持向量机 | 第41-47页 |
| 4.2.1 统计学习理论简介 | 第41-44页 |
| 4.2.2 支持向量机理论简介 | 第44-47页 |
| 4.3 试验分析 | 第47-54页 |
| 4.3.1 支持向量机种类、参数以及数据库的选择 | 第47-50页 |
| 4.3.2 具体实现过程 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 交通标志检测与识别系统实现 | 第55-64页 |
| 5.1 分类器的设计 | 第55-56页 |
| 5.2 交通标志检测与识别系统功能介绍 | 第56-60页 |
| 5.3 系统的检测识别结果以及耗时 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间的科研成果 | 第72页 |
