低质量监控视频中的车牌识别技术研究与实现
摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-16页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外技术研究现状 | 第10-13页 |
1.2.1 低质量车牌分割研究现状 | 第10-11页 |
1.2.2 车牌字符识别研究现状 | 第11-13页 |
1.2.3 端到端的车牌识别现状 | 第13页 |
1.3 主要工作及结构安排 | 第13-16页 |
1.3.1 论文的主要内容 | 第13-14页 |
1.3.2 论文结构安排 | 第14-16页 |
第二章 车牌识别框架及算法介绍 | 第16-30页 |
2.1 车牌识别技术相关理论 | 第16-19页 |
2.1.1 中国车牌特征 | 第16-18页 |
2.1.2 针对中国车牌识别的技术难点分析 | 第18-19页 |
2.2 车牌识别系统框架 | 第19-21页 |
2.2.1 基于字符分割的车牌识别框架 | 第19-20页 |
2.2.2 端到端的车牌识别框架 | 第20-21页 |
2.3 车牌字符分割常见算法 | 第21-25页 |
2.3.2 垂直投影字符分割方法 | 第21-22页 |
2.3.3 基于连通性的字符分割方法 | 第22-24页 |
2.3.4 模板匹配字符分割方法 | 第24-25页 |
2.4 车牌字符识别常见算法 | 第25-29页 |
2.4.1 基于模板匹配的车牌字符识别 | 第25-27页 |
2.4.2 基于支持向量机的车牌字符识别 | 第27-29页 |
2.5 本章小结 | 第29-30页 |
第三章 滑动窗口字符分割及双字典学习字符识别 | 第30-43页 |
3.1 滑动窗口车牌字符分割 | 第30-34页 |
3.1.1 低质量车牌分割的难点 | 第30-31页 |
3.1.2 基于滑动窗口法的车牌灰度化 | 第31-32页 |
3.1.3 滑动窗口车牌字符分割 | 第32-34页 |
3.2 基于双字典学习的识别模型 | 第34-39页 |
3.2.1 稀疏表示 | 第35-36页 |
3.2.2 基于双字典学习的车牌字符识别 | 第36-38页 |
3.2.3 训练库处理 | 第38-39页 |
3.4 实验结果与分析 | 第39-42页 |
3.4.1 车牌字符分割结果 | 第40-41页 |
3.4.2 车牌识别结果 | 第41-42页 |
3.5 本章小结 | 第42-43页 |
第四章 改进的车牌字符分割及识别算法 | 第43-67页 |
4.1 基于连通域的车牌图像预处理及介绍 | 第43-48页 |
4.1.1 基于连通域方法的车牌图像预处理 | 第43-45页 |
4.1.2 本文采用的连通域介绍 | 第45-47页 |
4.1.3 基于连通域的边框去除 | 第47-48页 |
4.2 基于连通域的字符分割方法 | 第48-50页 |
4.3 基于连通域分析结合回归模型的字符分割 | 第50-54页 |
4.3.1 回归模型介绍 | 第50-51页 |
4.3.2 与回归模型结合的连通域分割方法 | 第51-54页 |
4.4 卷积神经网络模型 | 第54-57页 |
4.4.1 神经网络框架 | 第54-56页 |
4.4.2 卷积神经网络 | 第56-57页 |
4.5 基于卷积神经网络的车牌字符识别 | 第57-63页 |
4.5.1 网络结构 | 第57-62页 |
4.5.2 参数设置 | 第62-63页 |
4.6 实验结果与分析 | 第63-66页 |
4.6.1 车牌字符分割结果 | 第63-65页 |
4.6.2 车牌字符识别结果 | 第65-66页 |
4.7 本章小结 | 第66-67页 |
第五章 端到端的车牌识别 | 第67-75页 |
5.1 端到端车牌识别的优点 | 第67-68页 |
5.2 端到端车牌识别算法 | 第68-73页 |
5.2.1 训练库建立 | 第68-70页 |
5.2.2 深度卷积网络 | 第70-71页 |
5.2.3 多标签学习 | 第71-73页 |
5.2.4 损失函数 | 第73页 |
5.3 实验结果与分析 | 第73-74页 |
5.4 本章小结 | 第74-75页 |
第六章 总结与展望 | 第75-77页 |
6.1 本文工作总结 | 第75-76页 |
6.2 工作展望 | 第76-77页 |
参考文献 | 第77-80页 |
附录1 攻读硕士学位期间申请的专利 | 第80-81页 |
附录2 攻读硕士学位期间参加的科研项目 | 第81-82页 |
致谢 | 第82页 |