| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文工作 | 第18-21页 |
| 1.3.1 研究内容和研究目标 | 第18页 |
| 1.3.2 章节安排 | 第18-21页 |
| 第二章 车牌识别相关算法 | 第21-27页 |
| 2.1 中国车牌介绍 | 第21-22页 |
| 2.2 车牌定位算法分析 | 第22-24页 |
| 2.3 字符分割算法分析 | 第24-25页 |
| 2.4 字符识别算法分析 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 卷积神经网络 | 第27-35页 |
| 3.1 卷积神经网络的基本原理 | 第27-30页 |
| 3.2 激活函数 | 第30-31页 |
| 3.3 卷积神经网络的优势 | 第31页 |
| 3.4 Faster R-CNN网络 | 第31-32页 |
| 3.5 SSD网络 | 第32-33页 |
| 3.6 本章总结 | 第33-35页 |
| 第四章 车牌定位算法 | 第35-47页 |
| 4.1 传统车牌定位算法 | 第35-36页 |
| 4.2 基于深度学习的车牌定位方法 | 第36-41页 |
| 4.2.1 车牌定位神经网络 | 第37-38页 |
| 4.2.2 模型训练 | 第38-39页 |
| 4.2.3 评价指标 | 第39-40页 |
| 4.2.4 数据准备和模型测试 | 第40-41页 |
| 4.3 实验结果与性能分析 | 第41-46页 |
| 4.3.1 正常环境中的车牌定位结果 | 第41-43页 |
| 4.3.2 复杂环境中的车牌定位结果 | 第43-45页 |
| 4.3.3 性能评估 | 第45-46页 |
| 4.4 本章总结 | 第46-47页 |
| 第五章 车牌识别神经网络 | 第47-59页 |
| 5.1 车牌识别网络概述 | 第47-48页 |
| 5.2 车牌识别网络设计 | 第48-54页 |
| 5.2.1 LPR-Net的基础网络 | 第49页 |
| 5.2.2 LPR-Net的尺度特征网络 | 第49-52页 |
| 5.2.3 分类与回归 | 第52-54页 |
| 5.3 模型优化 | 第54-57页 |
| 5.3.1 Batch Normalization | 第54-56页 |
| 5.3.2 检测框优化 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 模型训练与测试 | 第59-71页 |
| 6.1 样本采集与制作 | 第59-61页 |
| 6.2 模型训练 | 第61-63页 |
| 6.2.1 训练集和测试集 | 第61-62页 |
| 6.2.2 超参数 | 第62-63页 |
| 6.3 评价准则 | 第63页 |
| 6.4 实验对比 | 第63-66页 |
| 6.5 字符实验结果 | 第66-67页 |
| 6.6 识别结果 | 第67-69页 |
| 6.7 本章小结 | 第69-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71页 |
| 7.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |