| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 第2章 标签文本检测系统设计 | 第16-24页 |
| 2.1 系统需求 | 第16-17页 |
| 2.2 外观文本灯检系统设计 | 第17-20页 |
| 2.2.1 系统构成 | 第17页 |
| 2.2.2 系统设计 | 第17-18页 |
| 2.2.3 核心模块处理流程 | 第18-20页 |
| 2.3 面向对象的软件设计 | 第20-21页 |
| 2.4 系统验证 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 标签文本检测方法研究 | 第24-49页 |
| 3.1 引言 | 第24页 |
| 3.2 标签文本图像预处理算法 | 第24-30页 |
| 3.2.1 标签图像的频域分析 | 第24-26页 |
| 3.2.2 频域文本主方向检测 | 第26-28页 |
| 3.2.3 文本旋转校正及实验结果 | 第28-30页 |
| 3.3 基于深度学习的文本检测模块的基础理论介绍 | 第30-36页 |
| 3.3.1 卷积神经网络基本结构 | 第30-34页 |
| 3.3.2 递归神经网络基本结构 | 第34-36页 |
| 3.4 CNN与RNN联合文本检测网络设计 | 第36-45页 |
| 3.4.1 基于细致尺度文本区域的网络设计方法 | 第36-38页 |
| 3.4.2 递归神经网络模块在卷积神经网络中的连接方式 | 第38-40页 |
| 3.4.3 文本行构造与边缘细化方法 | 第40-41页 |
| 3.4.4 基于CNN与RNN联合的文本检测网络结构 | 第41-44页 |
| 3.4.5 网络训练 | 第44-45页 |
| 3.5 文本检测模块实验结果 | 第45-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 系统文本识别模块算法研究 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 基于联结时序分类的文本识别模块设计 | 第49-54页 |
| 4.2.1 莱文斯坦距离 | 第49-50页 |
| 4.2.2 联结时序分类 | 第50-51页 |
| 4.2.3 联结时序分类的前向后向算法 | 第51-53页 |
| 4.2.4 基于联结时序分类的文本识别网络结构 | 第53-54页 |
| 4.3 数据集增强及速度优化 | 第54-57页 |
| 4.3.1 数据集增强 | 第54-55页 |
| 4.3.2 算法加速 | 第55-57页 |
| 4.4 实验结果及分析 | 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62-67页 |
| 致谢 | 第67页 |