自然场景下文本检测与识别的研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 相关技术及研究现状 | 第12-16页 |
| 1.2.1 自然场景文字识别流程介绍 | 第12-13页 |
| 1.2.2 自然场景文字识别存在的困难与挑战 | 第13-15页 |
| 1.2.3 国内外研究现状 | 第15-16页 |
| 1.3 论文研究内容及组织结构 | 第16-18页 |
| 第2章 自然场景文字识别关键技术介绍 | 第18-25页 |
| 2.1 深度学习理论概述 | 第18-20页 |
| 2.1.1 人工神经网络简介 | 第18-19页 |
| 2.1.2 卷积神经网络CNN简介 | 第19-20页 |
| 2.1.3 循环神经网络RNN简介 | 第20页 |
| 2.2 自然场景文字检测算法概述 | 第20-23页 |
| 2.2.1 基于笔画宽度变换的文本检测 | 第20-22页 |
| 2.2.2 基于FCN的文本检测方法 | 第22-23页 |
| 2.3 自然场景文字识别算法概述 | 第23-24页 |
| 2.3.1 基于深度网络的字符、单词识别方法 | 第23-24页 |
| 2.3.2 基于序列的文字识别方法 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 改进的MSER文本检测算法 | 第25-42页 |
| 3.1 最大稳定极值区域MSER | 第25-27页 |
| 3.2 MSER文本检测流程 | 第27-32页 |
| 3.3 改进的MSER文本检测算法 | 第32-34页 |
| 3.4 实验分析 | 第34-41页 |
| 3.4.1 数据集、实验环境和算法评估标准 | 第34-36页 |
| 3.4.2 实验方法 | 第36-38页 |
| 3.4.3 实验结果分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于CNN和LSTM的文本识别方法 | 第42-57页 |
| 4.1 基于CNN和LSTM的文本识别概述 | 第42-43页 |
| 4.2 图像预处理 | 第43页 |
| 4.3 CNN静态特征提取 | 第43-48页 |
| 4.3.1 CNN网络结构 | 第43-45页 |
| 4.3.2 CNN网络详细设计 | 第45-48页 |
| 4.4 基于LSTM的上下文特征提取 | 第48-51页 |
| 4.4.1 LSTM介绍 | 第48-49页 |
| 4.4.2 反向LSTM网络结构设计 | 第49-50页 |
| 4.4.3 生成特征向量序列 | 第50-51页 |
| 4.5 引入Attention机制的解码过程 | 第51-53页 |
| 4.5.1 Attention机制概述 | 第51-52页 |
| 4.5.2 网络结构设计 | 第52-53页 |
| 4.6 实验与分析 | 第53-56页 |
| 4.6.1 实验环境和数据集 | 第53-54页 |
| 4.6.2 结果分析 | 第54-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 下一步展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |
