基于图像的铁路货车车号自动识别研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 论文的背景及意义 | 第11-12页 |
| 1.2 国内外研究概况 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 第2章 图像预处理 | 第15-27页 |
| 2.1 数字图像处理简介 | 第15-16页 |
| 2.1.1 数字图像 | 第15-16页 |
| 2.1.2 Matlab软件下的数字图像处理 | 第16页 |
| 2.2 图像增强 | 第16-19页 |
| 2.2.1 图像增强基本方法 | 第17页 |
| 2.2.2 对比度拉伸 | 第17-18页 |
| 2.2.3 直方图均衡化 | 第18-19页 |
| 2.2.4 图像增强算法的选择 | 第19页 |
| 2.3 图像去噪 | 第19-25页 |
| 2.3.1 图像去噪基本方法 | 第20页 |
| 2.3.2 线性滤波 | 第20-22页 |
| 2.3.3 非线性滤波 | 第22-25页 |
| 2.3.4 图像去噪算法的选择 | 第25页 |
| 2.4 小结 | 第25-27页 |
| 第3章 字符候选区域 | 第27-43页 |
| 3.1 基于颜色空间的字符候选区检测 | 第27-35页 |
| 3.1.1 图像颜色空间 | 第27-32页 |
| 3.1.2 字符检测 | 第32-35页 |
| 3.2 基于关键点的字符候选区域检测 | 第35-38页 |
| 3.2.1 图像的关键点 | 第35-38页 |
| 3.2.2 字符检测 | 第38页 |
| 3.3 字符区域综合检测定位 | 第38-42页 |
| 3.4 小结 | 第42-43页 |
| 第4章 深度卷积神经网络字符特征提取 | 第43-59页 |
| 4.1 深度学习简介 | 第43-51页 |
| 4.1.1 浅层神经网络 | 第43-48页 |
| 4.1.2 浅层学习 | 第48-49页 |
| 4.1.3 深度学习和深度卷积神经网络 | 第49-51页 |
| 4.2 深度卷积神经网络的建立 | 第51-55页 |
| 4.2.1 传统卷积神经网络 | 第51-52页 |
| 4.2.2 深度卷积神经网络 | 第52-53页 |
| 4.2.3 用于车号识别的深度卷积神经网络建立 | 第53-55页 |
| 4.3 深度卷积神经网络的训练 | 第55-57页 |
| 4.3.1 训练方法概述 | 第55页 |
| 4.3.2 BP反向传播算法 | 第55-56页 |
| 4.3.3 训练结果 | 第56-57页 |
| 4.4 字符精确定位结果 | 第57-58页 |
| 4.5 小结 | 第58-59页 |
| 第5章 分类器的设计与系统整体评价 | 第59-67页 |
| 5.1 常用分类器介绍 | 第59-62页 |
| 5.1.1 k-近邻分类器 | 第59页 |
| 5.1.2 Softmax分类器 | 第59-60页 |
| 5.1.3 支持向量机 | 第60-62页 |
| 5.2 分类器识别结果与讨论 | 第62-65页 |
| 5.2.1 图像样本 | 第62页 |
| 5.2.2 识别结果 | 第62-65页 |
| 5.3 识别系统整体性能评价 | 第65-66页 |
| 5.4 小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录 1 | 第73-77页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第77页 |
