| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本论文的主要工作 | 第12页 |
| 1.4 本论文的组织结构 | 第12-14页 |
| 第二章 深度学习与目标检测 | 第14-25页 |
| 2.1 深度学习算法的研究现状 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-19页 |
| 2.2.1 卷积神经网络简介 | 第15页 |
| 2.2.2 卷积神经网络的结构 | 第15-19页 |
| 2.3 目标检测与R-CNN | 第19-24页 |
| 2.3.1 常规目标检测方法R-CNN | 第19-20页 |
| 2.3.2 空间金字塔池化 | 第20-22页 |
| 2.3.3 对R-CNN框架的改进Fast R-CNN | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于深度学习的目标检测算法 | 第25-36页 |
| 3.1 Faster R-CNN模型 | 第25-28页 |
| 3.1.1 区域建议训练网络 | 第25-26页 |
| 3.1.2 正负样本的选取及损失函数 | 第26-27页 |
| 3.1.3 Faster R-CNN训练过程 | 第27-28页 |
| 3.2 R-FCN模型 | 第28-30页 |
| 3.2.1 Res Net全卷积网络 | 第28-29页 |
| 3.2.2 R-FCN模型网络结构 | 第29-30页 |
| 3.3 非极大抑制算法的计算过程 | 第30-34页 |
| 3.3.1 非极大抑制算法 | 第31-33页 |
| 3.3.2 Soft非极大抑制算法 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 实验工作与结果分析 | 第36-52页 |
| 4.1 数据集介绍 | 第36页 |
| 4.2 数据处理 | 第36-38页 |
| 4.3 基于Faster R-CNN算法的车牌实验 | 第38-45页 |
| 4.3.1 标准数据集实验 | 第38-40页 |
| 4.3.2 真实场景数据集实验 | 第40-45页 |
| 4.4 基于R-FCN算法的车牌识别 | 第45-49页 |
| 4.4.1 基于NMS算法的车牌识别实验 | 第45-47页 |
| 4.4.2 基于Soft-NMS算法的车牌识别实验 | 第47-49页 |
| 4.5 Faster R-CNN和R-FCN的对比实验 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间研究的成果 | 第59页 |
