| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1. 绪论 | 第10-15页 |
| 1.1 字符识别的研究背景与意义 | 第10页 |
| 1.2 国内外研究现状以及卷积神经网络的应用情况 | 第10-14页 |
| 1.2.1 字符识别的国内外研究现状 | 第11-12页 |
| 1.2.2 卷积神经网络的发展与应用情况 | 第12-14页 |
| 1.3 本文的主要工作与论文结构安排 | 第14-15页 |
| 1.3.1 本文的主要工作 | 第14页 |
| 1.3.2 论文结构安排 | 第14-15页 |
| 2. 图像预处理 | 第15-31页 |
| 2.1 图像放大 | 第15-20页 |
| 2.1.1 图像放大 | 第16页 |
| 2.1.2 不同插值方法的介绍 | 第16-20页 |
| 2.1.3 不同插值方法的比较 | 第20页 |
| 2.2 图像的倾斜校正判定 | 第20-22页 |
| 2.3 图像旋转 | 第22-25页 |
| 2.4 图像去噪 | 第25-28页 |
| 2.4.1 小波分析 | 第25-27页 |
| 2.4.2 基于小波变换的图像去噪 | 第27-28页 |
| 2.5 图像二值化 | 第28-30页 |
| 2.5.1 二值化方法的选择 | 第29页 |
| 2.5.2 OTSU算法 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3. 字符图像的分割与字符提取 | 第31-35页 |
| 3.1 投影法进行字符分割 | 第31-33页 |
| 3.2 字符分割改进算法---窗口移动配准法 | 第33-34页 |
| 3.3 字符大小归一化 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 4. 卷积神经网络 | 第35-49页 |
| 4.1 BP神经网络 | 第35-39页 |
| 4.1.1 神经网络的基本结构 | 第35-36页 |
| 4.1.2 BP神经网络结构 | 第36-37页 |
| 4.1.3 BP神经网络误差反向传播 | 第37-39页 |
| 4.2 卷积(Convolution) | 第39-41页 |
| 4.2.1 卷积的定义 | 第39页 |
| 4.2.2 卷积核的介绍 | 第39-40页 |
| 4.2.3 卷积操作 | 第40-41页 |
| 4.3 池化(Pooling) | 第41-43页 |
| 4.3.1 池化方法介绍 | 第42页 |
| 4.3.2 不同池化方法对比 | 第42-43页 |
| 4.4 损失函数softmax | 第43页 |
| 4.4.1 softmax函数简介 | 第43页 |
| 4.4.2 softmax函数的应用 | 第43页 |
| 4.5 CNN的独特之处 | 第43-44页 |
| 4.5.1 稀疏连接(Sparse Connectivity) | 第43-44页 |
| 4.5.2 权值共享(Shared Weights) | 第44页 |
| 4.6 网络结构 | 第44-45页 |
| 4.7 网络训练 | 第45-48页 |
| 4.7.1 信号前向传播阶段 | 第45-46页 |
| 4.7.2 误差反向传播阶段 | 第46-47页 |
| 4.7.3 网络训练流程 | 第47页 |
| 4.7.4 网络训练总结 | 第47-48页 |
| 4.8 本章小结 | 第48-49页 |
| 5. 基于CNN的字符识别 | 第49-53页 |
| 5.1 二级卷积神经网络 | 第49-51页 |
| 5.2 训练参数设置 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 6. 识别系统的实现 | 第53-58页 |
| 6.1 图像预处理与字符切割的实现 | 第53-54页 |
| 6.1.1 C++ Builder介绍 | 第53页 |
| 6.1.2 样本集 | 第53-54页 |
| 6.2 识别的实现 | 第54-55页 |
| 6.3 实验结果 | 第55-56页 |
| 6.4 识别系统 | 第56-57页 |
| 6.5 本章小结 | 第57-58页 |
| 7. 总结与展望 | 第58-60页 |
| 7.1 总结 | 第58页 |
| 7.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
| 作者简介 | 第67-68页 |