| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-24页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 车牌字符识别研究现状 | 第12-15页 |
| 1.2.2 图像清晰化技术研究现状 | 第15-18页 |
| 1.3 解决思路与主要研究内容 | 第18-22页 |
| 1.3.1 问题的提出 | 第18页 |
| 1.3.2 解决思路 | 第18-21页 |
| 1.3.3 主要研究内容 | 第21-22页 |
| 1.4 论文结构 | 第22-24页 |
| 第二章 监控视频车牌降质分析和数据集模拟 | 第24-35页 |
| 2.1 提取字符图像 | 第24-27页 |
| 2.1.1 车牌图像配准 | 第24-25页 |
| 2.1.2 对国标GA36-2014 的研究与使用 | 第25-27页 |
| 2.2 监控视频车牌降质分析 | 第27-30页 |
| 2.2.1 构建实际字符集的困难 | 第27-28页 |
| 2.2.2 车牌字符降质分析 | 第28-30页 |
| 2.3 模拟数据集的生成 | 第30-34页 |
| 2.3.1 随机生成标准的车牌字符图片 | 第30页 |
| 2.3.2 灰度化处理 | 第30-31页 |
| 2.3.3 加入车牌外边缘 | 第31页 |
| 2.3.4 加入人工选择控制点带来的误差 | 第31-32页 |
| 2.3.5 加入运动模糊和散焦模糊 | 第32-33页 |
| 2.3.6 加入高斯噪声和椒盐噪声 | 第33页 |
| 2.3.7 降采样和压缩降质 | 第33-34页 |
| 2.3.8 字符切分 | 第34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于卷积神经网络的车牌字符分类 | 第35-42页 |
| 3.1 卷积神经网络 | 第35-37页 |
| 3.1.1 卷积神经网络概述 | 第35-36页 |
| 3.1.2 CNN的结构 | 第36-37页 |
| 3.2 车牌字符分类卷积神经网络的构建 | 第37-40页 |
| 3.3 卷积神经网络的训练 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 实验结果及其讨论 | 第42-51页 |
| 4.1 实际字符集的构建 | 第42-45页 |
| 4.1.1 车牌宽度分类 | 第42页 |
| 4.1.2 字符图片提取流程 | 第42-45页 |
| 4.2 示例分析 | 第45-48页 |
| 4.2.1 使用流程 | 第45-46页 |
| 4.2.2 具体分析 | 第46-48页 |
| 4.3 实际数据集及测试 | 第48-50页 |
| 4.3.1 测试集选取 | 第48页 |
| 4.3.2 实验结果及其讨论 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51页 |
| 5.2 问题与展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 作者在学期间取得的学术成果 | 第57页 |