自然场景中文本检测识别系统的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究与发展现状 | 第11-16页 |
| 1.2.1 自然场景文本检测研究与发展现状 | 第12-15页 |
| 1.2.2 自然场景文本识别方法研究与发展现状 | 第15-16页 |
| 1.3 论文的主要工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 文本检测模块的算法与方案 | 第18-34页 |
| 2.1 图像的预处理 | 第18-19页 |
| 2.2 基于MSER算法的候选区域提取 | 第19-21页 |
| 2.3 基于深度神经网络的分类器 | 第21-33页 |
| 2.3.1 神经网络概述 | 第21-22页 |
| 2.3.2 损失函数和数据的前向传播 | 第22-23页 |
| 2.3.3 利用梯度下降和反向传播训练模型 | 第23-26页 |
| 2.3.4 模型过拟合和修正方法 | 第26-29页 |
| 2.3.5 利用卷积神经网络进行分类 | 第29-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 文本识别模块的算法与方案 | 第34-39页 |
| 3.1 文本区域类型 | 第34-36页 |
| 3.1.1 完整的单汉字 | 第34-35页 |
| 3.1.2 粘连的汉字 | 第35-36页 |
| 3.3 利用卷积神经网络进行文本识别 | 第36-37页 |
| 3.4 概率语言模型进行修正 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 系统的架构设计与实现 | 第39-54页 |
| 4.1 自然场景文本检测识别流程分析 | 第39-41页 |
| 4.2 自然场景文本检测识别系统框架 | 第41-42页 |
| 4.3 系统的详细设计与实现 | 第42-52页 |
| 4.3.1 预处理模块 | 第42-44页 |
| 4.3.2 文本检测模块 | 第44-50页 |
| 4.3.3 文本识别模块 | 第50-52页 |
| 4.4 开发平台 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 自然场景文本检测识别系统的测试与应用 | 第54-59页 |
| 5.1 系统测试实验 | 第54-57页 |
| 5.1.1 数据集介绍 | 第54-55页 |
| 5.1.2 测试结果分析 | 第55-57页 |
| 5.2 在违规图像过滤中的应用 | 第57-58页 |
| 5.2.1 背景介绍 | 第57页 |
| 5.2.2 对比测试 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 结论 | 第59-62页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 展望和不足 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
