| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 车牌识别技术的研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的目标检测算法研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 神经网络基本算法研究 | 第16-28页 |
| 2.1 前向传播算法 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-18页 |
| 2.3 激活函数 | 第18-20页 |
| 2.4 损失函数 | 第20-21页 |
| 2.5 目标函数优化算法 | 第21-23页 |
| 2.6 反向传播算法 | 第23-24页 |
| 2.7 过拟合问题 | 第24-27页 |
| 2.7.1 数据扩充 | 第25-26页 |
| 2.7.2 L1和L2正则化 | 第26-27页 |
| 2.7.3 Dropout | 第27页 |
| 2.8 本章小结 | 第27-28页 |
| 3 车牌目标检测算法研究 | 第28-44页 |
| 3.1 国内机动车号牌的规格和特点 | 第28-29页 |
| 3.1.1 尺寸规格 | 第28页 |
| 3.1.2 序号编码规则 | 第28-29页 |
| 3.1.3 颜色规则 | 第29页 |
| 3.2 常见的目标检测算法 | 第29-36页 |
| 3.2.1 基于HSI颜色特征的目标检测算法 | 第29-35页 |
| 3.2.2 基于RegionProposal的深度学习目标检测算法 | 第35-36页 |
| 3.3 本文的车牌目标检测算法 | 第36-42页 |
| 3.3.1 基于YOLO模型的目标检测算法 | 第37-38页 |
| 3.3.2 YOLO算法改进 | 第38-40页 |
| 3.3.3 网络结构设计 | 第40-41页 |
| 3.3.4 Loss函数设计 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 车牌字符识别算法研究 | 第44-50页 |
| 4.1 常见的车牌字符识别算法 | 第44-45页 |
| 4.1.1 基于模板匹配的识别算法 | 第44页 |
| 4.1.2 基于特征统计匹配的识别算法 | 第44页 |
| 4.1.3 基于传统机器学习的识别算法 | 第44-45页 |
| 4.2 本文的车牌字符识别算法 | 第45-48页 |
| 4.2.1 端到端车牌字符识别 | 第45页 |
| 4.2.2 网络结构设计 | 第45-47页 |
| 4.2.3 Loss函数设计 | 第47-48页 |
| 4.3 本章小结 | 第48-50页 |
| 5 深度学习框架 | 第50-60页 |
| 5.1 深度学习框架选择 | 第50-51页 |
| 5.2 配置安装环境 | 第51-55页 |
| 5.2.1 软硬件环境介绍 | 第51-52页 |
| 5.2.2 安装显卡驱动 | 第52页 |
| 5.2.3 安装CUDA | 第52-54页 |
| 5.2.4 安装cuDNN | 第54-55页 |
| 5.2.5 安装Anaconda | 第55页 |
| 5.3 安装Darknet | 第55-57页 |
| 5.3.1 执行安装 | 第55-56页 |
| 5.3.2 验证安装 | 第56-57页 |
| 5.4 安装TensorFlow | 第57-59页 |
| 5.4.1 安装方式 | 第57-58页 |
| 5.4.2 执行安装 | 第58页 |
| 5.4.3 验证安装 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 车牌目标检测模型训练及测试 | 第60-74页 |
| 6.1 迁移学习 | 第60页 |
| 6.2 训练数据及验证数据准备 | 第60-65页 |
| 6.2.1 图像标注 | 第60-62页 |
| 6.2.2 制作VOC格式数据 | 第62-63页 |
| 6.2.3 生成标签文件 | 第63-65页 |
| 6.3 模型配置 | 第65-66页 |
| 6.4 执行训练 | 第66-67页 |
| 6.5 训练可视化 | 第67-70页 |
| 6.6 模型测试 | 第70-73页 |
| 6.6.1 多车牌目标测试 | 第71页 |
| 6.6.2 多种特殊情况下测试 | 第71-72页 |
| 6.6.3 检测耗时测试 | 第72-73页 |
| 6.7 本章小结 | 第73-74页 |
| 7 车牌字符识别模型训练及测试 | 第74-82页 |
| 7.1 训练数据及验证数据准备 | 第74-76页 |
| 7.1.1 数据扩充 | 第74-75页 |
| 7.1.2 生成标签文件 | 第75-76页 |
| 7.2 执行训练 | 第76-77页 |
| 7.3 训练可视化 | 第77-79页 |
| 7.4 模型保存 | 第79页 |
| 7.5 模型测试 | 第79-81页 |
| 7.5.1 多目标检测得到的大倾斜度车牌图像 | 第79-80页 |
| 7.5.2 多种特殊情况下检测得到的车牌图像 | 第80-81页 |
| 7.6 本章小结 | 第81-82页 |
| 8 总结与展望 | 第82-84页 |
| 8.1 工作总结 | 第82页 |
| 8.2 研究展望 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 附录A | 第90-92页 |
| 作者攻读学位期间发表学术论文清单 | 第92-94页 |
| 致谢 | 第94页 |