| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题背景及研究意义 | 第11页 |
| 1.2 国内外的研究现状与发展趋势 | 第11-18页 |
| 1.2.1 国内外研究现状 | 第11-17页 |
| 1.2.2 存在的问题 | 第17-18页 |
| 1.2.3 发展趋势 | 第18页 |
| 1.3 本文主要工作和章节安排 | 第18-21页 |
| 1.3.1 本文的主要工作 | 第18-19页 |
| 1.3.2 本文创新点 | 第19页 |
| 1.3.3 本文的章节安排 | 第19-21页 |
| 第2章 基于卷积神经网络的车牌识别总体方案 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 基于卷积神经网络的字符检测和识别模型 | 第21-22页 |
| 2.3 数据库 | 第22-26页 |
| 2.3.1 字符检测的数据库 | 第22-24页 |
| 2.3.2 字符识别的数据库 | 第24-25页 |
| 2.3.3 车牌检测库 | 第25页 |
| 2.3.4 车牌识别库 | 第25-26页 |
| 2.4 评估方法 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 第3章 自然环境下基于卷积神经网络的盲车牌检测算法 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 相关工作 | 第27-30页 |
| 3.2.1 SVM分类器 | 第28-29页 |
| 3.2.2 Softmax分类器 | 第29页 |
| 3.2.3 SVM与Softmax的比较 | 第29-30页 |
| 3.3 字符负样本的选择 | 第30页 |
| 3.4 字符检测网络模型 | 第30-33页 |
| 3.4.1 字符检测网络的训练 | 第31-32页 |
| 3.4.2 车牌检测算法 | 第32-33页 |
| 3.5 实验结果及分析 | 第33-38页 |
| 3.5.1 加入车身和背景作负样本前后的车牌检测效果对比 | 第33-34页 |
| 3.5.2 实验结果 | 第34-37页 |
| 3.5.3 准确率 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于卷积神经网络的车牌识别算法 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 相关工作 | 第39-41页 |
| 4.3 对车牌识别算法的过程进行描述 | 第41-44页 |
| 4.3.1 国外车牌的卷积识别网络算法 | 第41-43页 |
| 4.3.2 国内车牌的卷积识别算法 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 车牌检测与识别网络的训练方法 | 第47-55页 |
| 5.1 引言 | 第47页 |
| 5.2 参数初始化的方法 | 第47-50页 |
| 5.2.1 使用K-means训练第一层卷积层的方法 | 第48-49页 |
| 5.2.2 去冗余法 | 第49-50页 |
| 5.2.3 参数初始化的实验结果及分析 | 第50页 |
| 5.3 卷积层滤波器数量调整 | 第50-51页 |
| 5.4 车牌检测训练数据正负样本比例调整 | 第51-52页 |
| 5.5 模型训练的迭代次数的调整 | 第52-53页 |
| 5.6 本章小结 | 第53-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 本文主要工作总结 | 第55-56页 |
| 6.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64页 |
