基于深度学习的车辆检测和车牌定位
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展 | 第11-12页 |
| 1.3 本文的主要内容和架构安排 | 第12-14页 |
| 第二章 图像处理技术 | 第14-24页 |
| 2.1 图像颜色空间 | 第14-17页 |
| 2.1.1 RGB彩色模型 | 第14-15页 |
| 2.1.2 HSL彩色模型 | 第15-16页 |
| 2.1.3 HSV彩色模型 | 第16-17页 |
| 2.1.4 RGB和HSL模型转换 | 第17页 |
| 2.2 数学形态学 | 第17-19页 |
| 2.2.1 腐蚀和膨胀 | 第18-19页 |
| 2.2.2 开操作和闭操作 | 第19页 |
| 2.3 角点检测 | 第19-22页 |
| 2.3.1 Moravec角点与SUSAN角点 | 第20页 |
| 2.3.2 Harris角点检测算法 | 第20-22页 |
| 2.4 聚类算法 | 第22-23页 |
| 2.4.1 聚类算法的应用及种类 | 第22页 |
| 2.4.2 DBSCAN密度聚类 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 深度学习和支持向量机 | 第24-36页 |
| 3.1 深度学习发展 | 第24-25页 |
| 3.2 两种常见深度学习算法 | 第25-27页 |
| 3.2.1 深度置信网络 | 第25-26页 |
| 3.2.2 堆栈自编码网络 | 第26-27页 |
| 3.3 卷积神经网络 | 第27-31页 |
| 3.3.1 卷积神经网络简介 | 第27页 |
| 3.3.2 卷积神经网络LeNet-5 模型 | 第27-29页 |
| 3.3.3 卷积神经网络设置 | 第29-31页 |
| 3.4 支持向量机 | 第31-35页 |
| 3.4.1 线性支持向量机 | 第31-33页 |
| 3.4.2 非线性支持向量机 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于选择搜索和卷积神经网络的车辆检测 | 第36-43页 |
| 4.1 算法描述及改进 | 第36-40页 |
| 4.1.1 选择搜索 | 第36-38页 |
| 4.1.2 卷积神经网络改进 | 第38-39页 |
| 4.1.3 SVM分类器训练 | 第39-40页 |
| 4.2 实验与分析 | 第40-42页 |
| 4.2.1 分类器性能分析 | 第40页 |
| 4.2.2 车辆检测算法性能分析 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 改进角点密度的车牌定位算法 | 第43-51页 |
| 5.1 车牌预处理 | 第43-45页 |
| 5.1.1 色彩转换 | 第43-45页 |
| 5.1.2 形态学处理 | 第45页 |
| 5.2 算法描述 | 第45-48页 |
| 5.2.1 角点检测 | 第45-46页 |
| 5.2.2 DBSCAN密度聚类 | 第46-48页 |
| 5.3 实验与分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的研究成果 | 第57-58页 |
