基于层级特征的车牌识别算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 车牌检测国内外研究背景及现状 | 第16-19页 |
| 1.2.1 基于颜色特征的车牌检测方法 | 第16-17页 |
| 1.2.2 基于边缘特征的车牌检测算法 | 第17页 |
| 1.2.3 基于纹理特征的车牌检测方法 | 第17-18页 |
| 1.2.4 基于机器学习的车牌检测方法 | 第18-19页 |
| 1.3 车牌字符识别方法国内外研究背景及现状 | 第19-21页 |
| 1.3.1 车牌倾斜校正方法 | 第19-20页 |
| 1.3.2 车牌字符切分方法 | 第20页 |
| 1.3.3 车牌字符识别方法 | 第20-21页 |
| 1.4 基于CNN的车牌识别方法总体流程 | 第21页 |
| 1.5 研究内容及结构安排 | 第21-23页 |
| 第二章 卷积神经网络概述 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2 卷积神经网络的基本单元 | 第23-27页 |
| 2.2.1 卷积级 | 第23-26页 |
| 2.2.2 探测级 | 第26-27页 |
| 2.2.3 池化级 | 第27页 |
| 2.3 卷积神经网络的反向传播 | 第27-29页 |
| 2.4 深度模型中的优化问题 | 第29-32页 |
| 2.4.1 正则化 | 第29-30页 |
| 2.4.2 自适应学习率 | 第30-31页 |
| 2.4.3 批归一化 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于CNN的车牌检测算法研究 | 第33-53页 |
| 3.1 引言 | 第33页 |
| 3.2 基于CNN的目标检测算法概述 | 第33-40页 |
| 3.2.1 R-CNN | 第33-34页 |
| 3.2.2 SPP-net | 第34-36页 |
| 3.2.3 Fast R-CNN | 第36-37页 |
| 3.2.4 Faster R-CNN | 第37-38页 |
| 3.2.5 YOLO | 第38-39页 |
| 3.2.6 SSD | 第39-40页 |
| 3.3 基于层级特征的车牌检测算法 | 第40-45页 |
| 3.3.1 数据准备 | 第40-41页 |
| 3.3.2 网络架构与预测框设计 | 第41-42页 |
| 3.3.3 训练策略与损失函数 | 第42-43页 |
| 3.3.4 预测框回归细节 | 第43-45页 |
| 3.3.5 数据扩增 | 第45页 |
| 3.4 实验结果与实验分析 | 第45-52页 |
| 3.4.1 实验数据和实验环境介绍 | 第45-46页 |
| 3.4.2 对照实验设计 | 第46-47页 |
| 3.4.3 实验结果与分析 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于CNN的车牌字符识别算法研究 | 第53-61页 |
| 4.1 引言 | 第53页 |
| 4.2 基于卷积神经网络的字符识别方法 | 第53-56页 |
| 4.3 车牌自动生成算法 | 第56-57页 |
| 4.4 实验结果与实验分析 | 第57-60页 |
| 4.4.1 实验数据和实验环境介绍 | 第57-58页 |
| 4.4.2 对照实验设计 | 第58页 |
| 4.4.3 实验结果与分析 | 第58-60页 |
| 4.5 本章总结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |
