首页--交通运输论文--公路运输论文--交通工程与公路运输技术管理论文--电子计算机在公路运输和公路工程中的应用论文

基于深度学习的车牌检测

摘要第5-6页
ABSTRACT第6-7页
缩略语对照表第10-13页
第一章 绪论第13-21页
    1.1 研究背景和意义第13-14页
    1.2 智能交通的发展现状及趋势第14-16页
        1.2.1 智能交通的发展现状第14-15页
        1.2.2 智能交通的发展趋势第15-16页
    1.3 车牌识别系统的现状及发展趋势第16-17页
    1.4 深度学习的研究现状及对车牌识别的意义第17-19页
        1.4.1 深度学习的研究现状第17-19页
        1.4.2 深度学习对车牌识别的意义第19页
    1.5 本论文研究内容第19-21页
第二章 传统的车牌检测算法分析第21-29页
    2.1 概述第21-23页
    2.2 传统的车牌检测算法第23-27页
        2.2.1 基于Adaboost的车牌检测算法第23页
        2.2.2 基于纹理特征的车牌检测算法第23-24页
        2.2.3 基于颜色分割的车牌检测算法第24-25页
        2.2.4 基于小波分析的车牌检测算法第25-26页
        2.2.5 基于数学形态学的车牌检测算法第26-27页
    2.3 传统的车牌检测算法的优缺点分析第27-28页
    2.4 本章小结第28-29页
第三章 基于色差模型结合Adaboost车牌检测算法第29-41页
    3.1 彩色空间模型第29-31页
    3.2 车牌图像的粗定位第31-36页
        3.2.1 色差模型的计算第31-32页
        3.2.2 车牌图像的二值化和粗定位第32-36页
    3.3 基于色差模型结合Adaboost的车牌检测算法第36-40页
        3.3.1 Adaboost算法第36-39页
        3.3.2 色差模型结合Adaboost的训练过程第39-40页
    3.4 本章小结第40-41页
第四章 基于fast RCNN的车牌检测第41-51页
    4.1 人工神经网络第41-42页
        4.1.1 卷积神经网络第41-42页
        4.1.2 神经网络训练第42页
    4.2 RCNN和SPPnet的优缺点第42-43页
    4.3 基于fast RCNN的车牌检测第43-50页
        4.3.1 选择性搜索第44-45页
        4.3.2 基于fast RCNN的车牌特征类型和特征选择第45-46页
        4.3.3 基于fast RCNN的车牌检测第46-50页
    4.4 本章小结第50-51页
第五章 车牌检测结果与算法性能第51-65页
    5.1 实验环境第51页
    5.2 车牌算法检测结果分析第51-61页
        5.2.1 基于RGB颜色空间的车牌检测算法的结果分析第51-54页
        5.2.2 基于纹理特征的车牌检测算法的结果分析第54-57页
        5.2.3 基于色差模型结合Adaboost车牌检测算法的结果分析第57-59页
        5.2.4 基于fast RCNN的车牌检测算法的结果分析第59-61页
    5.3 系统性能分析第61-64页
    5.4 本章小结第64-65页
第六章 总结与展望第65-67页
    6.1 本文工作总结第65-66页
    6.2 未来工作展望第66-67页
参考文献第67-71页
致谢第71-73页
作者简介第73-74页

论文共74页,点击 下载论文
上一篇:基于儿童心理特征的绘本创作要素分析
下一篇:可重构频率选择表面分析与设计