| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 引言 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 神经网络与字符识别 | 第13-31页 |
| 2.1 人工神经网络概述 | 第13-24页 |
| 2.1.1 深度学习 | 第15-16页 |
| 2.1.2 卷积神经网络 | 第16-19页 |
| 2.1.3 循环神经网络 | 第19-21页 |
| 2.1.4 神经网络训练方法 | 第21-23页 |
| 2.1.5 人工神经网络在字符识别中的应用 | 第23-24页 |
| 2.2 传统字符定位方法 | 第24-26页 |
| 2.2.1 笔画宽度变换 | 第24-25页 |
| 2.2.2 最大稳定极值区域 | 第25-26页 |
| 2.3 自然场景下字符识别 | 第26-29页 |
| 2.3.1 问题分析 | 第26-27页 |
| 2.3.2 现有解决框架 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于Faster-RCNN框架的定位 | 第31-47页 |
| 3.1 物体检测框架Faster-RCNN | 第31-38页 |
| 3.1.1 Faster-RCNN介绍 | 第31-33页 |
| 3.1.2 Faster-RCNN框架结构 | 第33-36页 |
| 3.1.3 物体检测和字符定位的相似之处 | 第36-38页 |
| 3.2 针对字符识别任务改进后的Faster-RCNN | 第38-46页 |
| 3.2.1 网络规模的改进 | 第38-40页 |
| 3.2.2 Anchor比例的优化 | 第40-41页 |
| 3.2.3 输出结果的调整 | 第41-43页 |
| 3.2.4 目标区域阈值的优化 | 第43-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第四章 基于BLSTM的目标区域中字符的识别 | 第47-54页 |
| 4.1 不定长字符识别存在的问题 | 第47-48页 |
| 4.2 目标区域识别部分的设计 | 第48-53页 |
| 4.2.1 CNN网络结构设计 | 第48-49页 |
| 4.2.2 BLSTM网络结构设计 | 第49-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第五章 框架训练与结果分析 | 第54-64页 |
| 5.1 数据集的选择 | 第54-55页 |
| 5.2 数据预处理 | 第55-56页 |
| 5.3 实验环境搭建 | 第56-58页 |
| 5.4 框架训练步骤 | 第58-61页 |
| 5.5 结果分析 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第70-71页 |
| 致谢 | 第71页 |