基于改进卷积神经网络的车牌识别算法研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-13页 |
| 1.2.1 车牌识别研究现状 | 第10-12页 |
| 1.2.2 卷积神经网络研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 第二章 车牌图像处理 | 第15-29页 |
| 2.1 车牌图像的预处理 | 第15-23页 |
| 2.1.1 数字图像的表示 | 第15-16页 |
| 2.1.2 车牌图像的灰度化 | 第16-17页 |
| 2.1.3 车牌图像的透视变换 | 第17-20页 |
| 2.1.4 车牌图像的二值化 | 第20-23页 |
| 2.2 车牌图像的字符分割 | 第23-28页 |
| 2.2.1 形态学腐蚀与膨胀 | 第23-25页 |
| 2.2.2 分割过程 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 卷积神经网络介绍与分类器训练 | 第29-47页 |
| 3.1 卷积神经网络介绍 | 第29-36页 |
| 3.1.1 卷积神经网络的优势 | 第29页 |
| 3.1.2 卷积神经网络的主要策略 | 第29-31页 |
| 3.1.3 卷积神经网路的基本结构 | 第31-33页 |
| 3.1.4 卷积神经网路的基本函数 | 第33-34页 |
| 3.1.5 卷积神经网络的训练 | 第34-36页 |
| 3.2 卷积神经网络字符识别分类器训练 | 第36-46页 |
| 3.2.1 实验平台搭建 | 第36-38页 |
| 3.2.2 卷积神经网络模型初选 | 第38-40页 |
| 3.2.3 训练集与测试集准备 | 第40-43页 |
| 3.2.4 分类器训练与测试 | 第43-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第四章 LeNet-5 字符识别算法改进 | 第47-63页 |
| 4.1 全连接层参数初始化 | 第47-50页 |
| 4.1.1 参数初始化意义 | 第47-48页 |
| 4.1.2 参数初始化过程 | 第48-49页 |
| 4.1.3 参数初始化后的改进效果 | 第49-50页 |
| 4.2 改进激活函数 | 第50-55页 |
| 4.2.1 RELU激活函数 | 第50-52页 |
| 4.2.2 添加RRLU激活函数 | 第52-53页 |
| 4.2.3 改进激活函数后效果 | 第53-55页 |
| 4.3 添加Dropout层 | 第55-59页 |
| 4.3.1 Dropout层介绍 | 第55-56页 |
| 4.3.2 添加Dropout层 | 第56-57页 |
| 4.3.3 添加Dropout层改进效果 | 第57-59页 |
| 4.4 改进后的网络 | 第59-61页 |
| 4.4.1 改进后的网络结构 | 第59-60页 |
| 4.4.2 改进效果与分析 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 车牌识别算法实现 | 第63-76页 |
| 5.1 开发环境介绍 | 第63页 |
| 5.2 车牌识别程序流程设计 | 第63-64页 |
| 5.3 分类器数据准备 | 第64-66页 |
| 5.3.1 分类器数据解析 | 第64-65页 |
| 5.3.2 计算训练集图像均值 | 第65-66页 |
| 5.4 车牌图像处理实现 | 第66-68页 |
| 5.4.1 车牌图像透视变换 | 第67页 |
| 5.4.2 车牌图像灰度变换和二值化 | 第67页 |
| 5.4.3 车牌图像形态学处理 | 第67页 |
| 5.4.4 车牌图像字符分割 | 第67-68页 |
| 5.5 车牌字符识别算法实现 | 第68-70页 |
| 5.5.1 图像转换 | 第68页 |
| 5.5.2 卷积过程 | 第68-69页 |
| 5.5.3 下采样过程 | 第69-70页 |
| 5.5.4 全连接过程 | 第70页 |
| 5.6 车牌识别软件界面设计 | 第70-73页 |
| 5.7 车牌识别算法验证与分析 | 第73-75页 |
| 5.8 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 论文结论 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 致谢 | 第81-82页 |
| 附录 | 第82页 |
