| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本文研究背景及其意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车牌识别技术的研究现状 | 第10-11页 |
| 1.2.2 卷积神经网络在图像识别领域的现状 | 第11-12页 |
| 1.2.3 车牌识别技术存在的难点 | 第12-13页 |
| 1.3 本文的主要工作及组织结构 | 第13-14页 |
| 1.3.1 主要工作 | 第13-14页 |
| 1.3.2 结构安排 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 卷积神经网络相关研究 | 第15-21页 |
| 2.1 卷积神经网络 | 第15-17页 |
| 2.1.1 卷积神经网络简介 | 第15-16页 |
| 2.1.2 卷积神经网络模型LeNet-5 简介 | 第16-17页 |
| 2.1.3 卷积核初始化方法对卷积神经网络性能的影响 | 第17页 |
| 2.2 蒙特卡洛方法 | 第17-19页 |
| 2.2.1 蒙特卡洛方法概述 | 第17页 |
| 2.2.2 蒙特卡洛方法求解问题思路 | 第17-18页 |
| 2.2.3 蒙特卡洛方法模拟卷积核初始化的优点 | 第18页 |
| 2.2.4 基于蒙特卡洛方法的卷积核初始化 | 第18页 |
| 2.2.5 蒙特卡洛方法初始化卷积核实验分析及结论 | 第18-19页 |
| 2.3 卷积网络模型设计 | 第19-20页 |
| 2.3.1 模型参数选择 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 车牌识别技术相关研究 | 第21-29页 |
| 3.1 车牌定位 | 第21-24页 |
| 3.1.1 边界框物体检测方法 | 第21-22页 |
| 3.1.2 基于卷积神经网络的定位框过滤 | 第22-23页 |
| 3.1.3 非极大值抑制在车牌定位方法中的应用 | 第23-24页 |
| 3.1.4 边界框（Bounding-Box）调整 | 第24页 |
| 3.2 车牌字符识别 | 第24-27页 |
| 3.2.1 viterbi算法 | 第25页 |
| 3.2.2 卷积神经网络识别字符串 | 第25-27页 |
| 3.2.3 viterbi路径选择 | 第27页 |
| 3.3 本章小结 | 第27-29页 |
| 第4章 实验分析及结论 | 第29-36页 |
| 4.1 数据集 | 第29-30页 |
| 4.2 实验环境 | 第30页 |
| 4.3 实验结果评价标准 | 第30页 |
| 4.4 车牌定位实验及分析 | 第30-32页 |
| 4.4.1 生成候选车牌区域 | 第30页 |
| 4.4.2 CNN过滤 | 第30-31页 |
| 4.4.3 NMS消除多余定位框 | 第31页 |
| 4.4.4 定位框调整 | 第31-32页 |
| 4.4.5 车牌定位实验结果与分析 | 第32页 |
| 4.5 车牌字符识别实验及分析 | 第32-34页 |
| 4.5.1 CNN模型训练 | 第32-33页 |
| 4.5.2 Viterbi Transformer训练 | 第33页 |
| 4.5.3 车牌字符识别实验结果与分析 | 第33-34页 |
| 4.6 实验结论 | 第34-36页 |
| 第5章 总结与展望 | 第36-37页 |
| 5.1 本文主要工作 | 第36页 |
| 5.2 未来工作展望 | 第36-37页 |
| 参考文献 | 第37-40页 |
| 致谢 | 第40-41页 |
| 附录 攻读硕士学位期间发表的论文和参与的科研项目 | 第41页 |
