| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 2 机车车号识别技术概述 | 第18-26页 |
| 2.1 机车车号图像介绍 | 第18-19页 |
| 2.2 传统机车识别方法 | 第19-21页 |
| 2.2.1 机车车号定位 | 第19页 |
| 2.2.2 车号字符分割 | 第19-20页 |
| 2.2.3 车号字符识别 | 第20-21页 |
| 2.3 深度学习模型概述 | 第21-24页 |
| 2.3.1 VGG模型 | 第21页 |
| 2.3.2 GoogLeNet模型 | 第21-23页 |
| 2.3.3 RCNN系列模型 | 第23页 |
| 2.3.4 SSD模型 | 第23-24页 |
| 2.3.5 GoogleObjectDetection模型 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 3 机车图像预处理 | 第26-32页 |
| 3.1 直方图识别机车图像底色 | 第26-27页 |
| 3.2 图像滤波去躁 | 第27-28页 |
| 3.2.1 均值滤波 | 第27页 |
| 3.2.2 中值滤波 | 第27-28页 |
| 3.2.3 高斯滤波 | 第28页 |
| 3.2.4 算法实验效果对比 | 第28页 |
| 3.3 机车图像灰度化 | 第28-30页 |
| 3.3.1 最大值法 | 第29页 |
| 3.3.2 平均法 | 第29页 |
| 3.3.3 本文算法 | 第29页 |
| 3.3.4 算法实验结果对比 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 机车车号定位技术研究 | 第32-44页 |
| 4.1 边缘检测 | 第32-37页 |
| 4.1.1 Canny 边缘检测 | 第33-34页 |
| 4.1.2 一阶Sobel边缘检测 | 第34-35页 |
| 4.1.3 二阶Sobel边缘检测 | 第35-36页 |
| 4.1.4 一二阶Sobel加权检测 | 第36页 |
| 4.1.5 算法实验结果对比 | 第36-37页 |
| 4.2 机车图像红色通道增强 | 第37页 |
| 4.3 形态学处理以及轮廓检测 | 第37-39页 |
| 4.4 支持向量机的正确车号识别 | 第39-42页 |
| 4.4.1 HOG特征提取 | 第39-40页 |
| 4.4.2 SVM车号判定 | 第40-42页 |
| 4.5 本章小结 | 第42-44页 |
| 5 机车车号二值化与倾斜校正 | 第44-50页 |
| 5.1 车号二值化 | 第44-46页 |
| 5.1.1 全局二值化 | 第44-45页 |
| 5.1.2 局部自适应二值化 | 第45页 |
| 5.1.3 分段自适应二值化 | 第45页 |
| 5.1.4 实验结果分析与对比 | 第45-46页 |
| 5.2 SVM二值翻转 | 第46-47页 |
| 5.3 车号倾斜校正 | 第47-48页 |
| 5.4 本章小结 | 第48-50页 |
| 6 基于卷积神经网络的端到端目标识别 | 第50-57页 |
| 6.1 引言 | 第50-51页 |
| 6.2 卷积神经网络模型 | 第51-52页 |
| 6.3 实验设计与结果分析 | 第52-55页 |
| 6.3.1 实验环境 | 第52页 |
| 6.3.2 机车车号图像识别系统展示 | 第52-53页 |
| 6.3.3 实验与结果分析 | 第53-55页 |
| 6.4 本章小结 | 第55-57页 |
| 7 总结及展望 | 第57-60页 |
| 7.1 总结 | 第57-58页 |
| 7.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第66页 |