| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 课题来源及本文组织 | 第10-12页 |
| 第二章 相关技术研究 | 第12-22页 |
| 2.1 相关技术 | 第12-16页 |
| 2.1.1 卷积神经网络 | 第12-15页 |
| 2.1.2 车牌识别技术 | 第15-16页 |
| 2.2 车牌识别技术研究现状 | 第16-21页 |
| 2.2.1 车牌定位 | 第16-18页 |
| 2.2.2 字符分割 | 第18-19页 |
| 2.2.3 字符识别 | 第19-21页 |
| 2.3 车牌识别技术在物流管理中的研究 | 第21页 |
| 2.4 总结 | 第21-22页 |
| 第三章 物流园基于CNN的车牌识别系统总体设计 | 第22-32页 |
| 3.1 设计目标 | 第22-24页 |
| 3.1.1 系统功能需求 | 第22-24页 |
| 3.1.2 系统性能需求 | 第24页 |
| 3.2 系统总体设计 | 第24-27页 |
| 3.2.1 系统框架设计 | 第25-26页 |
| 3.2.2 系统功能设计 | 第26-27页 |
| 3.3 数据库设计 | 第27-31页 |
| 3.4 总结 | 第31-32页 |
| 第四章 基于CNN的车牌识别算法 | 第32-50页 |
| 4.1 车牌识别流程 | 第32-33页 |
| 4.2 卷积神经网络车牌定位 | 第33-41页 |
| 4.2.1 原始图像预处理 | 第33-36页 |
| 4.2.2 闭操作与轮廓提取 | 第36-37页 |
| 4.2.3 矩形尺寸匹配 | 第37-38页 |
| 4.2.4 卷积神经网络分类 | 第38-39页 |
| 4.2.5 本文改进的车牌定位 | 第39页 |
| 4.2.6 算法测试与性能分析 | 第39-41页 |
| 4.3 字符分割 | 第41-44页 |
| 4.3.1 倾斜矫正 | 第41-42页 |
| 4.3.2 铆钉去除 | 第42-43页 |
| 4.3.3 背景颜色判断 | 第43页 |
| 4.3.4 轮廓提取 | 第43-44页 |
| 4.4 基于Yolo2字符识别 | 第44-49页 |
| 4.4.1 Yolo2网络模型 | 第44-46页 |
| 4.4.2 Yolo2模型改进 | 第46-47页 |
| 4.4.3 Yolo2网络训练 | 第47-49页 |
| 4.5 总结 | 第49-50页 |
| 第五章 物流园基于CNN的车牌识别管理系统详细设计 | 第50-60页 |
| 5.1 服务中心客户端系统详细设计 | 第50-54页 |
| 5.1.1 服务中心客户端系统MVC设计架构 | 第50-52页 |
| 5.1.2 系统业务逻辑界面设计分析 | 第52-53页 |
| 5.1.3 服务中心客户端系统接口设计 | 第53-54页 |
| 5.2 门岗web端管理系统详细设计 | 第54-59页 |
| 5.2.1 门岗web端管理系统总体架构 | 第54-55页 |
| 5.2.2 系统业务逻辑界面设计分析 | 第55-56页 |
| 5.2.3 设备管理模块 | 第56-57页 |
| 5.2.4 出入园车辆管理模块 | 第57-58页 |
| 5.2.5 同步模块 | 第58-59页 |
| 5.3 总结 | 第59-60页 |
| 第六章 系统测试 | 第60-72页 |
| 6.1 测试需求 | 第60页 |
| 6.2 系统环境 | 第60-64页 |
| 6.2.1 硬件环境 | 第61-63页 |
| 6.2.2 软件环境 | 第63页 |
| 6.2.3 系统搭建 | 第63-64页 |
| 6.3 系统功能测试 | 第64-70页 |
| 6.3.1 服务中心客户端系统 | 第64-67页 |
| 6.3.2 门岗web端管理系统 | 第67-70页 |
| 6.4 车牌识别性能测试 | 第70-71页 |
| 6.5 总结 | 第71-72页 |
| 第七章 总结与展望 | 第72-74页 |
| 7.1 总结 | 第72页 |
| 7.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 1 攻读硕士学位期间申请的专利 | 第78-79页 |
| 附录 2 攻读硕士学位期间参加的科研项目 | 第79-80页 |
| 致谢 | 第80页 |