| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 车型识别的研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-13页 |
| 1.3 相关技术难点 | 第13-15页 |
| 1.3.1 车辆检测与车型识别技术的难点 | 第13-14页 |
| 1.3.2 车牌识别技术的难点 | 第14-15页 |
| 1.4 本文研究内容与结构安排 | 第15-17页 |
| 第2章 基于深度学习的车辆检测研究 | 第17-36页 |
| 2.1 概述 | 第17页 |
| 2.2 常用车辆检测算法 | 第17-18页 |
| 2.3 基于深度学习的车辆检测算法 | 第18-26页 |
| 2.3.1 卷积神经网络模型 | 第18-21页 |
| 2.3.2 基于深度学习的目标检测算法 | 第21-24页 |
| 2.3.3 深度学习框架 | 第24-26页 |
| 2.4 基于SSD的车辆检测算法 | 第26-35页 |
| 2.4.1 构建车辆检测网络 | 第26-30页 |
| 2.4.2 车辆检测实验说明 | 第30-31页 |
| 2.4.3 车辆检测实验结果及分析 | 第31-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于卷积神经网络的车型识别研究 | 第36-53页 |
| 3.1 车型识别存在的问题 | 第36页 |
| 3.2 车型图像数据简介 | 第36-39页 |
| 3.3 车型识别流程 | 第39-40页 |
| 3.4 基于相关CNN模型的车型识别研究 | 第40-50页 |
| 3.4.1 基于VGGNet的车型识别研究 | 第40-42页 |
| 3.4.2 基于GoogleNet的车型识别研究 | 第42-44页 |
| 3.4.3 基于Inception-v2的车型识别研究 | 第44-47页 |
| 3.4.4 基于InceptionAB-Full的车型识别研究 | 第47-50页 |
| 3.5 车型识别实验结果及分析 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 车牌识别方法研究 | 第53-76页 |
| 4.1 我国车牌特征 | 第54页 |
| 4.2 车牌识别方案 | 第54-55页 |
| 4.3 车牌定位 | 第55-62页 |
| 4.3.1 基于形态学以及颜色特征的车牌定位方法 | 第55-58页 |
| 4.3.2 基于SSD目标检测的车牌定位方法 | 第58-61页 |
| 4.3.3 车牌定位实验结果与分析 | 第61-62页 |
| 4.4 车牌校正与去边框 | 第62-66页 |
| 4.4.1 车牌校正 | 第62-65页 |
| 4.4.2 去除车牌背景与边框 | 第65-66页 |
| 4.5 车牌字符分割 | 第66-68页 |
| 4.6 车牌字符识别 | 第68-73页 |
| 4.6.1 基于卷积神经网络的车牌字符识别 | 第68-69页 |
| 4.6.2 基于目标检测的车牌识别方法 | 第69-73页 |
| 4.7 车牌字符识别实验结果与分析 | 第73-75页 |
| 4.8 本章小结 | 第75-76页 |
| 第5章 车辆综合信息检测系统的开发与集成 | 第76-82页 |
| 5.1 系统实现 | 第76-78页 |
| 5.2 系统功能以及性能测试 | 第78-81页 |
| 5.3 本章小结 | 第81-82页 |
| 第6章 总结与展望 | 第82-84页 |
| 6.1 论文工作总结 | 第82-83页 |
| 6.2 论文工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 攻读硕士学位期间发表的学术论文及科研情况 | 第88页 |