| 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 |
