基于深度学习的污损车牌检测与识别关键技术研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 深度学习理论概述 | 第11-14页 |
| 1.2.2 车牌识别研究现状 | 第14-19页 |
| 1.3 本文研究内容 | 第19-20页 |
| 1.4 本文组织结构 | 第20-21页 |
| 第2章 车牌定位与修复算法 | 第21-42页 |
| 2.1 我国车牌种类及特征 | 第21-22页 |
| 2.2 车辆图像预处理 | 第22-26页 |
| 2.2.1 图像增强处理 | 第23-25页 |
| 2.2.2 灰度化处理 | 第25-26页 |
| 2.3 基于MSER和LPL-CNN的车牌定位 | 第26-34页 |
| 2.3.1 车牌定位算法及其局限性 | 第26-28页 |
| 2.3.2 基于MSER的车牌粗定位 | 第28-30页 |
| 2.3.3 车牌图像倾斜校正 | 第30页 |
| 2.3.4 基于LPL-CNN的车牌精定位 | 第30-34页 |
| 2.4 基于纹理块与梯度特征的车牌修复 | 第34-41页 |
| 2.4.1 图像修复算法及其局限性 | 第34-36页 |
| 2.4.2 车牌图像预处理 | 第36-37页 |
| 2.4.3 基于纹理块与梯度特征的车牌修复 | 第37-41页 |
| 2.5 小结 | 第41-42页 |
| 第3章 基于LPR-CNN和BiRNN的车牌识别 | 第42-53页 |
| 3.1 车牌识别算法及其局限性 | 第42-44页 |
| 3.2 图像预处理 | 第44页 |
| 3.3 基于LPR-CNN的特征序列生成 | 第44-47页 |
| 3.3.1 本文LPR-CNN网络设计 | 第44-46页 |
| 3.3.2 图像特征序列生成 | 第46-47页 |
| 3.4 基于BiRNN和CTC的车牌字符串生成 | 第47-52页 |
| 3.4.1 BiRNN网络结构概述 | 第47-49页 |
| 3.4.2 车牌特征序列标注 | 第49-51页 |
| 3.4.3 基于CTC的车牌字符串生成 | 第51-52页 |
| 3.5 小结 | 第52-53页 |
| 第4章 实验结果及分析 | 第53-74页 |
| 4.1 实验准备 | 第53-59页 |
| 4.1.1 实验软硬件环境 | 第53-54页 |
| 4.1.2 实验数据集 | 第54-55页 |
| 4.1.3 神经网络训练策略 | 第55-57页 |
| 4.1.4 评价指标 | 第57-59页 |
| 4.2 车牌定位结果分析 | 第59-64页 |
| 4.2.1 MSER粗定位算法实验与结果分析 | 第59-60页 |
| 4.2.2 LPL-CNN精定位实验与结果分析 | 第60-63页 |
| 4.2.3 车牌定位综合实验与结果分析 | 第63-64页 |
| 4.3 车牌修复结果分析 | 第64-66页 |
| 4.4 车牌识别结果分析 | 第66-69页 |
| 4.5 车牌识别原型系统 | 第69-73页 |
| 4.5.1 原型系统设计 | 第70-71页 |
| 4.5.2 测试结果及分析 | 第71-73页 |
| 4.6 小结 | 第73-74页 |
| 第5章 总结与展望 | 第74-76页 |
| 5.1 本文工作总结 | 第74-75页 |
| 5.2 未来工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第83-84页 |
| 附录A | 第84-85页 |
| 附录B | 第85-86页 |
