|
复杂场景下的车牌检测识别系统研究与实现 | |
论文目录 | |
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究意义与背景 | 第11页 |
| 1.2 相关领域研究综述 | 第11-14页 |
| 1.2.1 车牌检测算法 | 第12-14页 |
| 1.2.2 车牌识别算法 | 第14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 主要创新工作 | 第15页 |
| 1.5 论文结构 | 第15-17页 |
| 第二章 相关技术基础 | 第17-27页 |
| 2.1 常用车牌数据集 | 第17页 |
| 2.2 卷积神经网络 | 第17-21页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19-21页 |
| 2.2.3 全连接层 | 第21页 |
| 2.3 图片分类网络 | 第21-23页 |
| 2.3.1 AlexNet | 第21-22页 |
| 2.3.2 VGG | 第22-23页 |
| 2.3.3 ResNet | 第23页 |
| 2.4 通用目标检测和文本检测算法 | 第23-24页 |
| 2.5 文本识别算法 | 第24-26页 |
| 2.5.1 CRNN算法 | 第24-26页 |
| 2.5.2 FOTS算法 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 车牌检测及矫正算法 | 第27-45页 |
| 3.1 基于RetinaNet的车牌检测算法 | 第27-39页 |
| 3.1.1 问题的提出 | 第27-28页 |
| 3.1.2 RetinaNet算法概述 | 第28-30页 |
| 3.1.3 基于Fuse-FPN的车牌检测算法 | 第30-35页 |
| 3.1.4 数据集 | 第35-36页 |
| 3.1.5 评价指标 | 第36页 |
| 3.1.6 实验结果 | 第36-39页 |
| 3.2 基于卷积神经网络的矫正算法 | 第39-44页 |
| 3.2.1 基于卷积神经网络的精确定位网络 | 第39-41页 |
| 3.2.2 数据集及实验环境 | 第41-42页 |
| 3.2.3 精确定位网络训练及实验结果 | 第42页 |
| 3.2.4 透视变换矫正 | 第42-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 车牌识别及质量判断算法 | 第45-59页 |
| 4.1 车牌识别 | 第45-54页 |
| 4.1.1 车牌识别数据集 | 第45-47页 |
| 4.1.2 车牌识别算法详细设计 | 第47-49页 |
| 4.1.3 基于双分支的车牌识别 | 第49-50页 |
| 4.1.4 基于单分支和位置Attention的车牌识别 | 第50-51页 |
| 4.1.5 支持多种属性的车牌识别 | 第51-52页 |
| 4.1.6 实验环境及数据集 | 第52页 |
| 4.1.7 车牌识别评价指标及结果 | 第52-54页 |
| 4.2 车牌质量判断算法 | 第54-57页 |
| 4.2.1 实验环境及数据集 | 第54页 |
| 4.2.2 算法设计 | 第54-56页 |
| 4.2.3 测试指标及结果 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第五章 车牌检测识别系统实现 | 第59-71页 |
| 5.1 基于视频流的车牌检测识别系统 | 第59-65页 |
| 5.1.1 系统总体设计 | 第59-62页 |
| 5.1.2 系统模块设计 | 第62-63页 |
| 5.1.3 系统测试 | 第63-65页 |
| 5.2 基于图片的车牌检测识别平台系统 | 第65-69页 |
| 5.2.1 系统总体设计 | 第65-67页 |
| 5.2.2 系统模块设计 | 第67-68页 |
| 5.2.3 系统测试 | 第68-69页 |
| 5.3 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 未来展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间取得的研究成果 | 第78页 |
本篇论文共78页，点击
这进入下载页面 |
|
| Copyright(C) All Rights Reserved |
| 客服QQ：304386486 |
| 目录由用户 yangchb1** 提供，作者删除入口请点击这里 |