基于特征学习的车标识别方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 车标定位 | 第15-17页 |
| 1.2.2 车标识别 | 第17-19页 |
| 1.2.3 特征学习 | 第19-20页 |
| 1.3 研究内容与组织结构 | 第20-22页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 组织结构 | 第21-22页 |
| 第二章 相关算法和车标数据集介绍 | 第22-35页 |
| 2.1 基于传统特征的车标识别算法 | 第22-29页 |
| 2.1.1 点特征 | 第22-25页 |
| 2.1.2 LBP特征 | 第25-27页 |
| 2.1.3 HOG特征 | 第27-29页 |
| 2.2 基于深度学习的车标识别算法 | 第29-32页 |
| 2.2.1 基于LeNet模型 | 第29-30页 |
| 2.2.2 基于GoogLeNet模型 | 第30-31页 |
| 2.2.3 其他模型 | 第31-32页 |
| 2.3 相关车标数据集 | 第32-34页 |
| 2.3.1 XMU车标数据集 | 第32-33页 |
| 2.3.2 HFUT VL车标数据集 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 逐步细化的车标精细定位方案 | 第35-46页 |
| 3.1 算法思想 | 第36-37页 |
| 3.2 车牌定位 | 第37-38页 |
| 3.2.1 Haar-like特征 | 第37页 |
| 3.2.2 Adaboost分类器 | 第37-38页 |
| 3.2.3 训练和定位 | 第38页 |
| 3.3 车标粗定位 | 第38-40页 |
| 3.3.1 基于车牌的粗定位 | 第38-39页 |
| 3.3.2 基于车脸的粗定位 | 第39-40页 |
| 3.4 车标细定位 | 第40-44页 |
| 3.4.1 训练分类器 | 第40-43页 |
| 3.4.2 实现细定位 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于特征学习的车标识别算法 | 第46-57页 |
| 4.1 算法主要思想 | 第46-48页 |
| 4.2 算法描述 | 第48-53页 |
| 4.2.1 提取像素梯度差 | 第48-49页 |
| 4.2.2 构建目标函数 | 第49-50页 |
| 4.2.3 构建学习网络框架 | 第50-51页 |
| 4.2.4 学习特征码本 | 第51-52页 |
| 4.2.5 生成VLRFL特征向量 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.3.1 实验数据集 | 第53页 |
| 4.3.2 实验参数说明 | 第53-55页 |
| 4.3.3 实验结果对比 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第64-65页 |
