| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景及选题意义 | 第11页 |
| 1.2 高速公路指路标志介绍 | 第11-13页 |
| 1.3 高速公路指路标志检测和分割研究现状 | 第13-14页 |
| 1.4 高速公路指路标志检测和分割的难点分析 | 第14-15页 |
| 1.5 本文主要研究内容和组织结构 | 第15-16页 |
| 2 基于颜色和几何特征的高速公路指路标志面板检测方法 | 第16-28页 |
| 2.1 方法概述 | 第16-17页 |
| 2.2 图像预处理 | 第17-18页 |
| 2.3 基于RGB和HSV颜色空间的多尺度颜色分割 | 第18-21页 |
| 2.3.1 RGB颜色空间和HSV颜色空间 | 第18-19页 |
| 2.3.2 多尺度颜色分割 | 第19-21页 |
| 2.4 基于几何特征的噪声过滤 | 第21-26页 |
| 2.4.1 连通域预处理 | 第22-24页 |
| 2.4.2 连通域过滤 | 第24-26页 |
| 2.5 实验结果 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 基于多级投影和融合特征的指路标志子区域分割方法 | 第28-44页 |
| 3.1 方法概述 | 第28页 |
| 3.2 面板图像二值化及倾斜矫正 | 第28-31页 |
| 3.2.1 二值化 | 第29-30页 |
| 3.2.2 倾斜矫正 | 第30-31页 |
| 3.3 基于多级投影算法的子区域分割 | 第31-38页 |
| 3.3.1 预处理 | 第32页 |
| 3.3.2 多级投影算法 | 第32-36页 |
| 3.3.3 子区域合并 | 第36-38页 |
| 3.4 基于融合特征和SVM的伪目标子区域去除 | 第38-43页 |
| 3.4.1 HOG特征 | 第38-39页 |
| 3.4.2 LBP特征 | 第39-40页 |
| 3.4.3 特征融合 | 第40-41页 |
| 3.4.4 SVM分类器 | 第41-42页 |
| 3.4.5 子区域分类 | 第42-43页 |
| 3.5 实验结果 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 基于CNN的自适应字符及符号分割方法 | 第44-53页 |
| 4.1 方法概述 | 第44页 |
| 4.2 基于CNN的子区域预分类 | 第44-49页 |
| 4.2.1 人工神经网络 | 第44-45页 |
| 4.2.2 CNN | 第45-47页 |
| 4.2.3 LeNet卷积神经网络模型 | 第47-48页 |
| 4.2.4 CaffeNet卷积神经网络模型 | 第48页 |
| 4.2.5 模型构建 | 第48-49页 |
| 4.3 基于自适应投影算法的字符及符号分割 | 第49-52页 |
| 4.4 实验结果 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 智能车平台上的指路标志检测和分割实验 | 第53-63页 |
| 5.1 智能车平台介绍 | 第53-55页 |
| 5.2 高速公路指路标志检测和分割子系统 | 第55-56页 |
| 5.3 系统实验设计与实现 | 第56-63页 |
| 5.3.1 实验设计 | 第56-57页 |
| 5.3.2 高速公路指路标志面板检测实验 | 第57-59页 |
| 5.3.3 指路标志面板子区域分割实验 | 第59-60页 |
| 5.3.4 子区域字符和符号分割实验 | 第60-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |
