基于深度学习的车牌识别算法研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景及研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 深度学习技术及车牌识别算法分析 | 第14-28页 |
| 2.1 深度学习概述 | 第14页 |
| 2.2 深度学习模型 | 第14-17页 |
| 2.2.1 卷积神经网络 | 第14-15页 |
| 2.2.2 深度信念网络 | 第15-16页 |
| 2.2.3 循环神经网络 | 第16-17页 |
| 2.3 深度学习框架 | 第17-18页 |
| 2.4 深度学习应用 | 第18-24页 |
| 2.4.1 目标检测 | 第19-23页 |
| 2.4.2 文本识别 | 第23-24页 |
| 2.5 常用的车牌识别算法 | 第24-27页 |
| 2.5.1 车牌检测方法 | 第24-25页 |
| 2.5.2 车牌字符识别方法 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于回归的车牌检测方法的研究 | 第28-38页 |
| 3.1 基于SSD算法的车牌检测网络设计 | 第28-32页 |
| 3.1.1 前置网络选取 | 第28-29页 |
| 3.1.2 预选框设置 | 第29-30页 |
| 3.1.3 构建车牌检测网络 | 第30-32页 |
| 3.2 制作车牌检测数据集 | 第32-34页 |
| 3.3 检测网络模型的训练及测试 | 第34-36页 |
| 3.3.1 训练网络模型 | 第34-35页 |
| 3.3.2 测试网络模型 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于卷积神经网络的车牌字符识别方法的研究 | 第38-48页 |
| 4.1 基于CNN的车牌字符识别网络设计 | 第38-43页 |
| 4.1.1 车牌字符识别网络整体框架 | 第39页 |
| 4.1.2 卷积神经网络各层设计 | 第39-42页 |
| 4.1.3 超参数数据设计 | 第42-43页 |
| 4.2 制作车牌字符数据集 | 第43-44页 |
| 4.3 字符识别网络模型训练与测试 | 第44-45页 |
| 4.3.1 训练网络模型 | 第44-45页 |
| 4.3.2 测试网络模型 | 第45页 |
| 4.4 实验结果与分析 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于深度学习的车牌识别系统总体设计 | 第48-54页 |
| 5.1 系统总体架构 | 第48-49页 |
| 5.2 系统流程设计 | 第49-50页 |
| 5.3 车牌检测模块 | 第50-51页 |
| 5.4 车牌颜色分类模块 | 第51-52页 |
| 5.5 车牌字符识别模块 | 第52-53页 |
| 5.6 本章小结 | 第53-54页 |
| 第6章 系统实现及应用效果分析 | 第54-62页 |
| 6.1 系统实现 | 第54-56页 |
| 6.1.1 开发环境 | 第54页 |
| 6.1.2 关键模块实现 | 第54-56页 |
| 6.2 系统整体效果分析 | 第56-59页 |
| 6.2.1 普通环境下的系统实验 | 第57-58页 |
| 6.2.2 复杂情况下的系统实验 | 第58-59页 |
| 6.3 系统应用分析 | 第59-60页 |
| 6.3.1 与基于传统方法的车牌识别系统对比实验 | 第59-60页 |
| 6.3.2 与基于深度学习的车牌识别系统对比试验 | 第60页 |
| 6.4 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 致谢 | 第70页 |
