摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第1章 绪论 | 第14-30页 |
1.1 研究背景与意义 | 第14-16页 |
1.2 研究问题及主要挑战 | 第16-20页 |
1.2.1 研究问题 | 第16-17页 |
1.2.2 主要挑战 | 第17-20页 |
1.3 相关领域 | 第20-26页 |
1.3.1 船舶自动识别系统 | 第20-21页 |
1.3.2 车牌检测与文本检测 | 第21-24页 |
1.3.3 字符识别 | 第24-26页 |
1.4 本文工作及主要贡献 | 第26-28页 |
1.5 本文组织结构 | 第28-30页 |
第2章 图像处理与深度学习相关理论 | 第30-48页 |
2.1 图像处理相关理论 | 第30-33页 |
2.1.1 像素的连通性 | 第30-31页 |
2.1.2 图像灰度化与二值化 | 第31-32页 |
2.1.3 图像直方图 | 第32页 |
2.1.4 区域特征提取 | 第32-33页 |
2.2 深度学习相关理论 | 第33-47页 |
2.2.1 深度学习概述 | 第34-36页 |
2.2.2 深度卷积神经网络 | 第36-42页 |
2.2.3 深度循环神经网络 | 第42-44页 |
2.2.4 深度神经网络的训练 | 第44-47页 |
2.3 本章小结 | 第47-48页 |
第3章 船名标识字符检测与识别基准数据集及算法评价标准 | 第48-68页 |
3.1 引言 | 第48页 |
3.2 ZJUSHIPS60K船名标识数据集 | 第48-62页 |
3.2.1 图片的获取与选择 | 第48-51页 |
3.2.2 船名标识区域与字符内容标注 | 第51-53页 |
3.2.3 数据集划分 | 第53-54页 |
3.2.4 数据集统计分析 | 第54-62页 |
3.3 ZJUSHIPS950船名标识字符检测数据集 | 第62-63页 |
3.4 船名标识字符检测和识别算法评价标准 | 第63-67页 |
3.4.1 船名标识字符检测算法评价标准 | 第63-66页 |
3.4.2 船名标识字符识别算法评价标准 | 第66-67页 |
3.5 本章小结 | 第67-68页 |
第4章 引入格式塔理论的自然场景多语种船名标识检测方法 | 第68-95页 |
4.1 引言 | 第68-69页 |
4.2 船名标识的格式塔特征 | 第69-73页 |
4.2.1 格式塔理论 | 第69-70页 |
4.2.2 格式塔理论视角下的船名标识 | 第70-73页 |
4.3 引入格式塔理论的多语种船名标识检测方法 | 第73-85页 |
4.3.1 基于字符临近性和相似性的多语种文本粗检测 | 第73-75页 |
4.3.2 基于字符高度和投影临近性的船名标识精检测 | 第75-79页 |
4.3.3 基于字符连续性的伪船名标识去除 | 第79-81页 |
4.3.4 基于字符低维特征相似性的漏检字符补全 | 第81-85页 |
4.4 实验结果及分析 | 第85-94页 |
4.4.1 实验结果 | 第85-88页 |
4.4.2 实验分析 | 第88-94页 |
4.5 本章小结 | 第94-95页 |
第5章 基于深度神经网络迁移学习的船名标识检测方法 | 第95-114页 |
5.1 引言 | 第95-96页 |
5.2 基于深度卷积神经网络的迁移学习 | 第96-98页 |
5.3 船名标识检测深度卷积神经网络 | 第98-100页 |
5.4 基于模型金字塔机制的多尺度船名标识检测 | 第100-103页 |
5.5 实验结果及分析 | 第103-113页 |
5.5.1 数据集 | 第103-104页 |
5.5.2 实验设置 | 第104-105页 |
5.5.3 实现细节 | 第105-106页 |
5.5.4 实验结果与分析 | 第106-113页 |
5.6 本章小结 | 第113-114页 |
第6章 包含不定长字符的多行印刷船名标识布局归一化与非分割式识别方法 | 第114-142页 |
6.1 引言 | 第114-115页 |
6.2 多行印刷船名标识布局归一化 | 第115-120页 |
6.2.1 船名标识水平倾斜矫正 | 第115-117页 |
6.2.2 船名标识字符布局归一化 | 第117-120页 |
6.3 联结主义时序分类模型 | 第120-122页 |
6.4 空间变换神经网络 | 第122-125页 |
6.5 不定长字符的船名标识非分割式识别 | 第125-131页 |
6.6 实验结果与分析 | 第131-141页 |
6.6.1 数据集 | 第131-132页 |
6.6.2 实验设置与实现细节 | 第132-133页 |
6.6.3 实验结果 | 第133-138页 |
6.6.4 实验分析 | 第138-141页 |
6.7 本章小结 | 第141-142页 |
第7章 总结与展望 | 第142-145页 |
7.1 本文总结 | 第142-143页 |
7.2 未来展望 | 第143-145页 |
致谢 | 第145-146页 |
参考文献 | 第146-156页 |
攻读博士学位期间主要研究成果 | 第156-157页 |