复杂自然场景下的车牌定位
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文处理场景及难点 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 车牌定位中的相关技术 | 第16-35页 |
| 2.1 引言 | 第16页 |
| 2.2 常用车牌特征 | 第16-26页 |
| 2.2.1 局部二值模式特征 | 第18-24页 |
| 2.2.2 灰度纹理共生矩阵 | 第24-26页 |
| 2.3 常用特征分类方法 | 第26-31页 |
| 2.3.1 AdaBoost算法与级联分类器 | 第26-28页 |
| 2.3.2 决策树算法 | 第28-31页 |
| 2.4 传统与深度学习检测方法 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 车辆定位 | 第35-44页 |
| 3.1 引言 | 第35页 |
| 3.2 深度学习框架选择 | 第35-36页 |
| 3.3 车辆定位训练 | 第36-40页 |
| 3.3.1 数据集准备 | 第36-37页 |
| 3.3.2 网络结构 | 第37-39页 |
| 3.3.3 训练过程 | 第39-40页 |
| 3.4 车辆定位过程 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 车牌定位 | 第44-53页 |
| 4.1 样本收集 | 第44-48页 |
| 4.1.1 多角度车牌 | 第44-47页 |
| 4.1.2 模糊、噪声等车牌 | 第47-48页 |
| 4.2 样本训练 | 第48-51页 |
| 4.2.1 Cascade级联分类器的训练 | 第48-50页 |
| 4.2.2 决策树训练 | 第50-51页 |
| 4.3 总体流程图 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 实验结果与分析 | 第53-61页 |
| 5.1 实验环境 | 第53页 |
| 5.2 实验效果 | 第53-60页 |
| 5.2.1 车辆定位结果 | 第54-55页 |
| 5.2.2 车牌定位结果 | 第55-58页 |
| 5.2.3 失败样例 | 第58-60页 |
| 5.3 实验数据 | 第60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间主要的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
