基于卷积神经网络的车牌识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 车辆牌照识别的研究现状 | 第12-13页 |
| 1.3 卷积神经网络在图像识别领域的研究现状 | 第13-14页 |
| 1.4 车牌识别难点 | 第14-15页 |
| 1.5 课题主要研究内容 | 第15-17页 |
| 第二章 卷积神经网络 | 第17-24页 |
| 2.1 卷积神经网络的特点 | 第17-18页 |
| 2.2 卷积神经网络结构 | 第18-19页 |
| 2.3 卷积神经网络的训练 | 第19-23页 |
| 2.3.1 学习规则 | 第19-20页 |
| 2.3.2 数据预处理 | 第20页 |
| 2.3.3 训练方式 | 第20-21页 |
| 2.3.4 权值初始化 | 第21-22页 |
| 2.3.5 收敛条件 | 第22页 |
| 2.3.6 学习率 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 车牌定位 | 第24-36页 |
| 3.1 车牌特征 | 第24-25页 |
| 3.2 图像的预处理 | 第25-26页 |
| 3.2.1 彩色图像灰度化 | 第25页 |
| 3.2.2 图像的平滑滤波 | 第25-26页 |
| 3.3 常用的车牌定位算法 | 第26-30页 |
| 3.3.1 基于形态学的车牌定位算法 | 第26-27页 |
| 3.3.2 基于边缘信息的车牌定位算法 | 第27-28页 |
| 3.3.3 基于颜色空间的车牌定位 | 第28-29页 |
| 3.3.4 基于机器学习的车牌定位 | 第29-30页 |
| 3.4 基于颜色信息与边缘信息的车牌定位 | 第30-33页 |
| 3.5 实验结果 | 第33-35页 |
| 3.5.1 测试数据 | 第33-34页 |
| 3.5.2 算法结果比较 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 车牌校正与字符分割 | 第36-49页 |
| 4.1 车牌的二值化 | 第36-37页 |
| 4.2 车牌倾斜校正 | 第37-42页 |
| 4.2.1 车牌倾斜的情况 | 第37-39页 |
| 4.2.2 车牌的水平校正 | 第39-40页 |
| 4.2.3 去除车牌的水平边框 | 第40-41页 |
| 4.2.4 车牌的垂直校正 | 第41-42页 |
| 4.3 字符分割 | 第42-46页 |
| 4.3.1 常用的字符分割算法 | 第43-44页 |
| 4.3.2 改进的垂直投影字符分割算法 | 第44-46页 |
| 4.4 实验对比 | 第46-48页 |
| 4.4.1 测试数据 | 第46页 |
| 4.4.2 算法结果比较 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于卷积神经网络的字符识别 | 第49-62页 |
| 5.1 卷积神经网络在字符识别中的应用 | 第49-50页 |
| 5.2 LeNet-5 简介 | 第50-52页 |
| 5.3 ILeNet-5 网络 | 第52-56页 |
| 5.3.1 ILeNet-5 的几个关键点 | 第52-54页 |
| 5.3.2 ILeNet-5 的具体结构 | 第54-56页 |
| 5.4 基于ILeNet-5 的车牌识别算法描述 | 第56-57页 |
| 5.5 ILeNet-5 的训练 | 第57-59页 |
| 5.5.1 训练集的选取 | 第57-58页 |
| 5.5.2 ILeNet-5 训练方式 | 第58页 |
| 5.5.3 ILeNet-5 的收敛 | 第58-59页 |
| 5.6 实验对比 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第六章 车牌识别效果 | 第62-72页 |
| 6.1 车牌识别系统简介 | 第62页 |
| 6.2 系统识别效果 | 第62-71页 |
| 6.2.1 正常情况下的车牌识别 | 第63-64页 |
| 6.2.2 阴雨天的车牌识别 | 第64-66页 |
| 6.2.3 泥土遮挡情况下的车牌识别 | 第66-69页 |
| 6.2.4 车牌模糊情况下的识别结果 | 第69-71页 |
| 6.3 本章小结 | 第71-72页 |
| 第七章 总结与展望 | 第72-74页 |
| 7.1 内容总结 | 第72页 |
| 7.2 研究展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
