| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 车牌识别的研究历史与现状 | 第11-14页 |
| 1.2.1 传统车牌识别算法 | 第12-13页 |
| 1.2.2 基于深度学习的车牌识别算法 | 第13-14页 |
| 1.3 本文工作 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 神经网络相关知识 | 第17-30页 |
| 2.1 神经网络的基础知识 | 第17-18页 |
| 2.2 神经网络的基本组件 | 第18-23页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 激活函数 | 第19-22页 |
| 2.2.3 池化层 | 第22-23页 |
| 2.2.4 全连接层 | 第23页 |
| 2.3 卷积网络结构 | 第23-26页 |
| 2.3.1 LeNet网络 | 第23-24页 |
| 2.3.2 VGGNet | 第24页 |
| 2.3.3 ResNet | 第24-25页 |
| 2.3.4 Faster R-CNN | 第25-26页 |
| 2.4 神经网络训练的技巧 | 第26-28页 |
| 2.4.1 初始化 | 第26-27页 |
| 2.4.2 批量归一化 | 第27-28页 |
| 2.4.3 Dropout | 第28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 基于FASTER R-CNN网络的车牌定位算法研究 | 第30-39页 |
| 3.1 Fatser Rcnn网络结构 | 第30-35页 |
| 3.1.1 卷积特征提取 | 第31-32页 |
| 3.1.2 RPN工作原理 | 第32-35页 |
| 3.1.3 ROI Pooling | 第35页 |
| 3.1.4 分类 | 第35页 |
| 3.2 改进后的方法 | 第35-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于CRNN的车牌字符识别识别算法研究 | 第39-53页 |
| 4.1 CRNN网络结构 | 第39-43页 |
| 4.1.1 卷积层特征提取 | 第40-41页 |
| 4.1.2 循环层序列标签的分布 | 第41-43页 |
| 4.2 车牌处理 | 第43-48页 |
| 4.2.1 水平倾斜的车牌矫正 | 第44-45页 |
| 4.2.2 竖直和水平方向均发生旋转的车牌矫正 | 第45-48页 |
| 4.3 改进后的方法 | 第48-49页 |
| 4.4 构建车牌识别网络 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 试验结果分析 | 第53-68页 |
| 5.1 数据集介绍 | 第53-54页 |
| 5.2 试验环境 | 第54-55页 |
| 5.3 试验设计 | 第55-57页 |
| 5.4 试验结果与分析 | 第57-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75页 |