| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 基于机器视觉的交通标志检测与识别的研究现状 | 第11-13页 |
| 1.2.1 交通标志检测算法的研究现状 | 第11-13页 |
| 1.2.2 交通标志识别算法的研究现状 | 第13页 |
| 1.3 本文研究目标和研究内容 | 第13-15页 |
| 第二章 交通标志及其预处理 | 第15-24页 |
| 2.1 交通标志概述 | 第15-16页 |
| 2.2 交通标志特点分析 | 第16-17页 |
| 2.3 图像处理理论及算法介绍 | 第17-23页 |
| 2.3.1 彩色空间和色彩空间转换 | 第18-21页 |
| 2.3.2 图像直方图均衡 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于可变部件模型的交通标志检测算法设计 | 第24-42页 |
| 3.1 交通标志检测概述 | 第24-25页 |
| 3.2 交通标志可变部件模型 | 第25-33页 |
| 3.2.1 图结构 | 第25-26页 |
| 3.2.2 方向梯度直方图 | 第26-29页 |
| 3.2.3 可变部件模型的训练与检测 | 第29-33页 |
| 3.3 特征金字塔估算 | 第33-38页 |
| 3.3.1 参数估算 | 第35-36页 |
| 3.3.2 金字塔估算 | 第36-38页 |
| 3.4 卷积加速 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于卷积神经网络的交通标志识别算法设计 | 第42-59页 |
| 4.1 交通标志识别算法概述 | 第42-43页 |
| 4.2 卷积神经网络基本原理 | 第43-53页 |
| 4.2.1 BP神经网络结构 | 第44-45页 |
| 4.2.2 卷积神经网络结构 | 第45-53页 |
| 4.3 交通标志识别神经网络设计 | 第53-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 实验与分析 | 第59-71页 |
| 5.1 软硬件平台 | 第59-60页 |
| 5.2 交通标志数据集 | 第60-61页 |
| 5.3 交通标志检测实验 | 第61-65页 |
| 5.3.1 数据准备 | 第62-63页 |
| 5.3.2 检测模型训练 | 第63-64页 |
| 5.3.3 检测实验 | 第64-65页 |
| 5.4 交通标志识别实验 | 第65-70页 |
| 5.4.1 数据准备 | 第65-67页 |
| 5.4.2 识别模型训练 | 第67-69页 |
| 5.4.3 识别实验 | 第69-70页 |
| 5.5 本章总结 | 第70-71页 |
| 第六章 总结与展望 | 第71-72页 |
| 6.1 论文总结 | 第71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76-78页 |
| 攻读硕士期间取得的成果 | 第78-79页 |