| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究难点与挑战 | 第12-14页 |
| 1.4 本文的章节安排 | 第14-15页 |
| 第二章 相关理论基础知识 | 第15-31页 |
| 2.1 目标检测技术之粗检相关理论 | 第15-21页 |
| 2.1.1 通用对象估计方法 | 第15-16页 |
| 2.1.2 二值化赋范梯度算法（BING） | 第16-21页 |
| 2.2 目标检测技术之细检相关理论 | 第21-25页 |
| 2.2.1 卷积神经网络 | 第21-23页 |
| 2.2.2 基于区域的卷积神经网络(R-CNN) | 第23-25页 |
| 2.3 车牌识别技术的相关理论 | 第25-30页 |
| 2.3.1 车牌识别系统 | 第25-27页 |
| 2.3.2 基于稀疏表示的分类（SRC） | 第27-28页 |
| 2.3.3 车牌识别系统的评价指标 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 改进的基于BING方法的通用对象估计算法 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 DGB-BING算法 | 第31-37页 |
| 3.2.1 DGB-BING算法的整体框架 | 第31-34页 |
| 3.2.2 特征改进：高斯差分（DOG）增强 | 第34-35页 |
| 3.2.3 基于Boosting算法的得分优化策略 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-42页 |
| 3.3.1 实验环境与参数设定 | 第37-38页 |
| 3.3.2 实验结果的比较与分析 | 第38-42页 |
| 3.3.3 算法复杂度分析 | 第42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 改进的基于DGB-BING和R-CNN的目标检测框架 | 第43-62页 |
| 4.1 引言 | 第43-44页 |
| 4.2 基于改进的DGB-BING和R-CNN的目标检测算法 | 第44-50页 |
| 4.2.1 目标检测算法的整体框架 | 第44-45页 |
| 4.2.2 特征改进：卷积神经网络抽取 | 第45-47页 |
| 4.2.3 新增Proposals方法 | 第47-50页 |
| 4.3 实验结果与分析 | 第50-61页 |
| 4.3.1 实验环境及参数设定 | 第50-51页 |
| 4.3.2 实验结果及分析 | 第51-60页 |
| 4.3.3 算法复杂度分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于DPL算法的模糊车牌识别及其打分系统设计 | 第62-77页 |
| 5.1 引言 | 第62页 |
| 5.2 基于DPL算法的模糊车牌识别系统 | 第62-68页 |
| 5.2.1 模糊车牌识别系统的总体框架 | 第62-63页 |
| 5.2.2 车牌矫正及字符分割 | 第63-66页 |
| 5.2.3 字符识别 | 第66-68页 |
| 5.3 基于DPL算法的模糊车牌识别的打分系统 | 第68-73页 |
| 5.3.1 单个字符的置信度判定 | 第69-70页 |
| 5.3.2 车牌中各字符的联合打分机制 | 第70-73页 |
| 5.4 实验结果 | 第73-76页 |
| 5.4.1 参数设定 | 第73页 |
| 5.4.2 实验结果及分析 | 第73-75页 |
| 5.4.3 算法复杂度分析 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 5.6 总结 | 第77-78页 |
| 5.7 不足与展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第83-84页 |
| 致谢 | 第84页 |
