| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1 车牌识别研究背景及意义 | 第10-11页 |
| 1.1.2 深度学习研究背景及意义 | 第11-12页 |
| 1.2 车牌识别系统研究现状 | 第12-15页 |
| 1.2.1 国内车牌识别技术研究现状 | 第12-14页 |
| 1.2.2 国外车牌识别技术研究现状 | 第14-15页 |
| 1.3 深度学习研究现状 | 第15页 |
| 1.4 课题研究内容及论文架构 | 第15-18页 |
| 第2章 改进传统神经网络车牌字符识别模型设计 | 第18-33页 |
| 2.1 车牌字符识别简介 | 第18页 |
| 2.2 车牌字符识别方法 | 第18页 |
| 2.3 字符识别流程 | 第18-19页 |
| 2.4 图像预处理 | 第19-20页 |
| 2.5 车牌字符提取 | 第20-24页 |
| 2.5.1 车牌定位 | 第20-23页 |
| 2.5.2 车牌字符分割提取 | 第23-24页 |
| 2.6 混合优化的RBF网络车牌字符识别 | 第24-32页 |
| 2.6.1 RBF神经网络字符识别 | 第24-25页 |
| 2.6.2 RBF神经网络结构原理 | 第25-26页 |
| 2.6.3 聚类与遗传混合优化的RBF网络车牌字符识别模型设计 | 第26-29页 |
| 2.6.4 车牌字符识别仿真结果与分析 | 第29-31页 |
| 2.6.5 基于MATLAB环境的车牌识别GUI界面 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 基于MatConvNet框架的改进CNN车牌字符识别模型设计 | 第33-52页 |
| 3.1 神经网络结构与训练 | 第33-34页 |
| 3.2 卷积神经网络特点 | 第34-37页 |
| 3.2.1 局部感受野原理 | 第35-36页 |
| 3.2.2 权值共享原理 | 第36页 |
| 3.2.3 下采样原理 | 第36-37页 |
| 3.3 卷积神经网络工作过程 | 第37-42页 |
| 3.3.1 卷积过程 | 第37页 |
| 3.3.2 池化过程 | 第37-38页 |
| 3.3.3 卷积神经网络基本结构 | 第38-40页 |
| 3.3.4 卷积神经网络的激活函数 | 第40-41页 |
| 3.3.5 卷积神经网络中的训练算法 | 第41-42页 |
| 3.4 基于改进CNN的车牌字符识别模型设计 | 第42-47页 |
| 3.4.1 图像预处理 | 第42-43页 |
| 3.4.2 对Le Net-5 网络结构进行改进 | 第43-47页 |
| 3.5 基于改进CNN的车牌字符识别仿真结果与分析 | 第47-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第4章 基于Keras框架的改进CNN车牌字符识别模型设计 | 第52-60页 |
| 4.1 典型卷积神经网络结构 | 第52-54页 |
| 4.1.1 Inception网络 | 第52-54页 |
| 4.1.2 ResNet残差网络 | 第54页 |
| 4.2 Keras框架介绍 | 第54-55页 |
| 4.3 基于Inception和ResNet网络的改进 | 第55-57页 |
| 4.4 基于改进网络的车牌字符识别仿真结果与分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67页 |
