| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 本文研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 列车车牌识别相关技术研究 | 第9-11页 |
| 1.2.2 自然场景文字检测识别研究 | 第11-14页 |
| 1.2.3 深度学习相关知识 | 第14-15页 |
| 1.3 本文研究目标和内容 | 第15-18页 |
| 2 列车车牌定位 | 第18-25页 |
| 2.1 本文的车牌定位算法 | 第18-23页 |
| 2.1.1 基于边缘检测的列车车牌定位方法 | 第18-20页 |
| 2.1.2 基于CTPN的列车车牌定位方法 | 第20-23页 |
| 2.2 实验结果 | 第23-24页 |
| 2.2.1 数据集 | 第23页 |
| 2.2.3 实验结果评估 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 列车车牌字符分割 | 第25-42页 |
| 3.1 本文的车牌字符分割算法 | 第25页 |
| 3.2 基于融合的二值化算法 | 第25-35页 |
| 3.2.1 通道选择 | 第27-30页 |
| 3.2.2 多种二值图融合 | 第30-35页 |
| 3.3 本文字符分割算法 | 第35-38页 |
| 3.4 基于融合的二值化方法实验 | 第38-41页 |
| 3.4.1 个体方法和组合方法的二值化结果 | 第38-40页 |
| 3.4.2 与其他已发布的二值化方法进行比较 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 列车车牌字符识别 | 第42-56页 |
| 4.1 本文的车牌字符识别算法 | 第42-49页 |
| 4.1.1 基于SVM的字符识别 | 第42-43页 |
| 4.1.2 基于CNN的字符识别 | 第43-45页 |
| 4.1.3 基于RNN的字符识别 | 第45-49页 |
| 4.2 实验结果 | 第49-55页 |
| 4.2.1 基于SVM与CNN的字符识别率对比 | 第49-51页 |
| 4.2.2 基于CNN与CRNN的字符序列识别率对比 | 第51-52页 |
| 4.2.3 基于多种预处理的字符序列识别对比 | 第52-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 本文的工作总结 | 第56页 |
| 5.2 未来工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
| A.作者在攻读硕士学位期间发表的论文和专利 | 第64页 |
| B.火车车号图像项目合作协议 | 第64页 |