摘要 | 第5-6页 |
ABSTRACT | 第6页 |
符号对照表 | 第10-11页 |
缩略语对照表 | 第11-15页 |
第一章 绪论 | 第15-25页 |
1.1 计算机视觉与智能交通概述 | 第15-21页 |
1.1.1 智能交通的发展动态 | 第16-17页 |
1.1.2 车辆识别系统组成 | 第17-18页 |
1.1.3 车标识别系统简介 | 第18页 |
1.1.4 车标识别系统结构 | 第18-19页 |
1.1.5 车标识别的研究难点 | 第19-20页 |
1.1.6 车标识别方法 | 第20-21页 |
1.2 深度学习 | 第21-23页 |
1.2.1 深度学习的发展 | 第21-23页 |
1.2.2 图像识别领域里的深度学习 | 第23页 |
1.3 论文内容及结构安排 | 第23-25页 |
第二章 车标识别领域的关键技术 | 第25-41页 |
2.1 图像预处理技术 | 第25-27页 |
2.1.1 图像的二值化 | 第25-26页 |
2.1.2 二值图像的形态学操作 | 第26-27页 |
2.2 车标图像的特征提取 | 第27-28页 |
2.2.1 Haar特征 | 第27-28页 |
2.3 统计学习方法 | 第28-36页 |
2.3.1 基于Adaboost的学习方法 | 第29-30页 |
2.3.2 人工神经网络 | 第30-36页 |
2.4 卷积神经网络 | 第36-40页 |
2.4.1 局部连接 | 第36-37页 |
2.4.2 权值共享 | 第37页 |
2.4.3 最大池化 | 第37-38页 |
2.4.4 softmax回归 | 第38-40页 |
2.5 本章小结 | 第40-41页 |
第三章 基于卷积神经网络的车标识别 | 第41-54页 |
3.1 车标定位 | 第41-47页 |
3.1.1 车标粗定位算法 | 第41-43页 |
3.1.2 车标粗定位实验 | 第43-44页 |
3.1.3 车标的细定位 | 第44页 |
3.1.4 车标细定位的实验 | 第44-46页 |
3.1.5 车标细定位的实验结果 | 第46-47页 |
3.2 基于卷积神经网络的车标识别 | 第47-52页 |
3.2.1 构造车标识别的卷积神经网络 | 第47-48页 |
3.2.2 训练车标识别的卷积神经网络 | 第48页 |
3.2.3 基于卷积神经网络的车标识别实验 | 第48-52页 |
3.3 本章小结 | 第52-54页 |
第四章 基于K邻近算法的车标识别 | 第54-60页 |
4.1 K邻近算法 | 第54-55页 |
4.1.1 KNN算法分类思想 | 第54页 |
4.1.2 KNN算法的分类过程 | 第54页 |
4.1.3 距离或相似度的衡量 | 第54-55页 |
4.2 车标识别 | 第55-56页 |
4.3 实验结果及分析 | 第56-58页 |
4.3.1 K值的确定 | 第56-57页 |
4.3.2 识别结果的提升 | 第57页 |
4.3.3 不训练方式下的CNN和KNN的推广实验 | 第57页 |
4.3.4 CNN和KNN的推广实验结果 | 第57-58页 |
4.4 本章小结 | 第58-60页 |
第五章 基于Selective Search和SPP-net的车标识别 | 第60-70页 |
5.1 Selective Search | 第60-62页 |
5.1.1 Selective Search算法流程 | 第61页 |
5.1.2 Selective Search中相似性准则 | 第61-62页 |
5.1.3 Selective Search的优点 | 第62页 |
5.2 SPP-net | 第62-64页 |
5.2.1 SPP-net的算法思想 | 第62-63页 |
5.2.2 SPP层 | 第63-64页 |
5.3 车标识别 | 第64-69页 |
5.3.1 算法流程 | 第64-65页 |
5.3.2 基于Selective Search的车标候选区域获取及其实验 | 第65-66页 |
5.3.3 基于SPP-net的车标识别及其实验 | 第66-69页 |
5.4 本章小结 | 第69-70页 |
第六章 总结与展望 | 第70-72页 |
6.1 总结 | 第70页 |
6.2 展望 | 第70-72页 |
参考文献 | 第72-76页 |
致谢 | 第76-78页 |
作者简介 | 第78-79页 |