| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究目的和意义 | 第9-10页 |
| 1.2 车牌定位及识别系统 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 我国的车辆牌照特征 | 第13-15页 |
| 1.5 本文主要工作及章节安排 | 第15-17页 |
| 第二章 现有车牌定位方法介绍 | 第17-24页 |
| 2.1 低质量监控视频中车牌定位难点分析 | 第17-19页 |
| 2.2 现有车牌定位方法 | 第19-22页 |
| 2.2.1 基于车牌结构特征的定位方法 | 第19-20页 |
| 2.2.2 基于车牌颜色特征的定位方法 | 第20-21页 |
| 2.2.3 基于学习的车牌定位方法 | 第21-22页 |
| 2.3 车牌定位技术评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于特征融合的车牌定位方法 | 第24-48页 |
| 3.1 基于边缘检测的车牌定位方法 | 第24-29页 |
| 3.1.1 小波变换 | 第24-26页 |
| 3.1.2 算法流程 | 第26-28页 |
| 3.1.3 实验分析 | 第28-29页 |
| 3.2 基于字符边缘颜色特征的车牌定位方法 | 第29-36页 |
| 3.2.1 颜色空间选取 | 第30页 |
| 3.2.2 车牌颜色阈值范围统计 | 第30-33页 |
| 3.2.3 算法流程 | 第33-35页 |
| 3.2.4 实验分析 | 第35-36页 |
| 3.3 基于改进MSER的车牌定位方法 | 第36-39页 |
| 3.3.1 MSER算法概述 | 第36-37页 |
| 3.3.2 改进MSER提取车牌候选区 | 第37-39页 |
| 3.3.3 实验分析 | 第39页 |
| 3.4 低质量监控视频中基于特征融合的车牌定位方法 | 第39-47页 |
| 3.4.1 基于特征融合的车牌定位框架 | 第39-40页 |
| 3.4.2 常用的特征描述子 | 第40-42页 |
| 3.4.3 基于SVM的车牌分类器 | 第42-45页 |
| 3.4.4 实验结果与分析 | 第45-46页 |
| 3.4.5 新能源车牌定位实验结果 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于卷积神经网络的车牌定位方法 | 第48-63页 |
| 4.1 卷积神经网络介绍 | 第48-50页 |
| 4.2 卷积神经网络模型设计 | 第50-56页 |
| 4.2.1 特征提取网络设计 | 第52-53页 |
| 4.2.2 区域生成网络设计 | 第53-54页 |
| 4.2.3 候选区分类网络设计 | 第54-55页 |
| 4.2.4 损失函数设计 | 第55-56页 |
| 4.3 卷积神经网络模型训练 | 第56-61页 |
| 4.3.1 数据集获取及标定 | 第56-59页 |
| 4.3.2 网络训练解析 | 第59-61页 |
| 4.4 卷积神经网络模型测试 | 第61-62页 |
| 4.4.1 实验环境搭建 | 第61页 |
| 4.4.2 低质量监控视频中的实验结果与分析 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 低质量监控视频中车牌定位系统设计与实现 | 第63-73页 |
| 5.1 基于空间信息和置信度滤除误检车牌 | 第63-64页 |
| 5.1.1 基于空间信息和置信度滤除误检车牌 | 第63-64页 |
| 5.2 车牌图像倾斜矫正 | 第64-68页 |
| 5.2.1 车牌图像水平倾斜角度检测 | 第65-67页 |
| 5.2.2 对车牌图像进行水平倾斜矫正 | 第67-68页 |
| 5.3 低质量监控视频中车牌定位系统设计与实现 | 第68-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-74页 |
| 参考文献 | 第74-76页 |
| 附录1 攻读硕士学位期间发表的专利 | 第76-77页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第77-78页 |
| 致谢 | 第78页 |