| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 开发背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 去除雾霾国内外研究现状 | 第11-13页 |
| 1.2.2 车牌识别国内外研究现状 | 第13-15页 |
| 1.3 主要研究内容和要解决的关键技术问题 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第2章 相关技术分析 | 第17-21页 |
| 2.1 Visual Studio 2010 简介 | 第17页 |
| 2.2 深度学习 | 第17页 |
| 2.3 卷积神经网络 | 第17-18页 |
| 2.4 卷积神经网络经典架构简介 | 第18-19页 |
| 2.5 车辆检测经典算法框架简介 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第3章 去除雾霾方法和技术研究 | 第21-28页 |
| 3.1 雾霾模型与特征 | 第21-23页 |
| 3.1.1 大气散射模型 | 第21-22页 |
| 3.1.2 雾霾相关特征 | 第22-23页 |
| 3.2 深度卷积神经网络 | 第23-26页 |
| 3.2.1 深度神经网络结构 | 第23-24页 |
| 3.2.2 卷积层 | 第24-25页 |
| 3.2.3 最大池化 | 第25页 |
| 3.2.4 非线性回归 | 第25-26页 |
| 3.3 训练深度卷积神经网络 | 第26-27页 |
| 3.3.1 训练样本集的构造 | 第26页 |
| 3.3.2 训练深度卷积神经网络 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 车牌识别方法和技术研究 | 第28-41页 |
| 4.1 去除雾霾车牌识别流程 | 第28页 |
| 4.2 车辆目标检测 | 第28-32页 |
| 4.2.1 VGGNet网络架构 | 第28-29页 |
| 4.2.2 车辆目标检测算法框架 | 第29-32页 |
| 4.3 车辆目标跟踪 | 第32-33页 |
| 4.4 车辆违章行为识别 | 第33-36页 |
| 4.4.1 车辆违章行为特征提取 | 第33-34页 |
| 4.4.2 基于SVM的车辆违章行为分类 | 第34-36页 |
| 4.5 车牌识别 | 第36-39页 |
| 4.5.1 双步车牌定位 | 第36-38页 |
| 4.5.2 字符分割与字符识别 | 第38-39页 |
| 4.6 本章小结 | 第39-41页 |
| 第5章 实验与分析 | 第41-52页 |
| 5.1 去除雾霾实验与分析 | 第41-46页 |
| 5.1.1 深度卷积神经网络层数对效果的影响 | 第41-42页 |
| 5.1.2 与已有去除雾霾方法的比较 | 第42-45页 |
| 5.1.3 去除车辆图像中的雾霾 | 第45-46页 |
| 5.2 融入车辆违章检测的车牌识别的实验与分析 | 第46-49页 |
| 5.2.1 车辆检测与车牌识别数据库的建立 | 第46-47页 |
| 5.2.2 车辆检测与车牌识别实验结果及分析 | 第47-49页 |
| 5.3 融合去除雾霾车牌识别系统的测试实现过程 | 第49-51页 |
| 5.3.1 去除雾霾测试代码 | 第49-50页 |
| 5.3.2 融入车辆违章检测的车牌识别测试代码 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |