论文目录 | |
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 车牌字符分割研究现状 | 第9-10页 |
| 1.2.2 模糊车牌字符识别研究现状 | 第10-11页 |
| 1.2.3 深度学习研究现状 | 第11-13页 |
| 1.2.3.1 深度学习在图像识别应用 | 第11-12页 |
| 1.2.3.2 深度学习常用的模型 | 第12-13页 |
| 1.3 论文的主要内容与安排 | 第13-15页 |
| 第二章 非深度学习模糊车牌字符识别方法 | 第15-26页 |
| 2.1 车牌图像模糊程度评价依据 | 第15-17页 |
| 2.1.1 计算车牌图像实际分辨率 | 第15页 |
| 2.1.2 判断频率特征是否达标 | 第15页 |
| 2.1.3 计算灰度投影特征值 | 第15-16页 |
| 2.1.4 判断颜色特征是否达标 | 第16页 |
| 2.1.5 车牌模糊程度评价实验结果 | 第16-17页 |
| 2.2 去模糊处理方法 | 第17-19页 |
| 2.2.1 去雾处理方法 | 第17-18页 |
| 2.2.2 去运动模糊方法 | 第18-19页 |
| 2.3 图像超分辨率增强方法 | 第19-22页 |
| 2.3.1 训练生成字典 | 第19-21页 |
| 2.3.2 超分辨率重建过程 | 第21页 |
| 2.3.3 模糊车牌重建结果 | 第21-22页 |
| 2.4 传统方法对模糊车牌字符识别 | 第22-23页 |
| 2.4.1 模板匹配法 | 第22页 |
| 2.4.2 基于特征统计的识别方法 | 第22-23页 |
| 2.4.3 人工神经网络识别方法 | 第23页 |
| 2.5 三种传统方法对模糊车牌的实验结果及分析 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于深度学习的模糊车牌字符识别方法 | 第26-50页 |
| 3.1 模糊车牌校正 | 第26-29页 |
| 3.1.1 基于Hough变换及Radon变换的视角校正 | 第26-28页 |
| 3.1.2 基于透视变换的视角校正 | 第28-29页 |
| 3.2 车牌字符分割 | 第29-30页 |
| 3.3 建立模糊程度不一的梯度样本集 | 第30-32页 |
| 3.4 本文的卷积神经网络结构 | 第32-34页 |
| 3.5 CNN网络训练 | 第34-48页 |
| 3.5.1 误差的定义比较和选取 | 第34-35页 |
| 3.5.2 CNN参数的更新 | 第35-37页 |
| 3.5.2.1 Softmax层参数更新过程 | 第35-36页 |
| 3.5.2.2 隐藏层参数更新过程 | 第36-37页 |
| 3.5.2.3 卷积层参数更新过程 | 第37页 |
| 3.5.3 网络权值初始化的比较 | 第37-39页 |
| 3.5.3.1 高斯分布初始化(Gaussian)对测试集准确率的影响 | 第38页 |
| 3.5.3.2 Xavier初始化对测试集准确率的影响 | 第38-39页 |
| 3.5.4 网络正则化的比较 | 第39-43页 |
| 3.5.4.1 L_1正则化对测试集准确率的影响 | 第39-40页 |
| 3.5.4.2 L_2正则化对测试集准确率的影响 | 第40-41页 |
| 3.5.4.3 Dropout对测试集准确率的影响 | 第41-42页 |
| 3.5.4.4 提前终止策略防止过拟合 | 第42-43页 |
| 3.5.5 网络优化算法的比较 | 第43-48页 |
| 3.5.5.1 随机梯度下降(SGD)对测试集准确率的影响 | 第43-45页 |
| 3.5.5.2 Ada Grad(一种自适应学习率算法)对测试集准确率的影响 | 第45-46页 |
| 3.5.5.3 Ada Delta算法对测试集准确率的影响 | 第46-47页 |
| 3.5.5.4 RMSProp算法对测试集准确率的影响 | 第47-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 实验结果与分析 | 第50-60页 |
| 4.1 本文CNN网络权值初始化后测试集准确率比较 | 第50页 |
| 4.2 本文CNN网络采用正则化算法后测试集准确率比较 | 第50-51页 |
| 4.3 本文CNN网络采用优化算法后测试集准确率比较 | 第51页 |
| 4.4 模糊车牌字符网络层级结构的比较 | 第51-54页 |
| 4.5 模糊车牌识别结果比较 | 第54-58页 |
| 4.5.1 调用本文训练的CNN网络识别清晰车牌结果 | 第55页 |
| 4.5.2 调用本文训练的CNN网络识别非雾化模糊车牌结果 | 第55-56页 |
| 4.5.3 超分辨率处理+本文CNN网络识别非雾化模糊车牌结果 | 第56-57页 |
| 4.5.4 调用本文训练的CNN网络识别雾化模糊车牌结果 | 第57页 |
| 4.5.5 去雾处理+本文CNN网络识别雾化模糊车牌结果 | 第57-58页 |
| 4.5.6 四种识别方法的比较 | 第58页 |
| 4.6 本章小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间的研究成果 | 第66-67页 |
| 致谢 | 第67页 |
