一、A Practical Method of Car License Plate Character Segmentation Based on Morphology and Labeling（论文文献综述）
贺智龙[1]（2021）在《基于YOLOv3的车牌识别研究》文中研究说明21世纪以来,国家经济快速增长,汽车数量持续升高,构建智能交通系统将是未来的趋势。车牌的识别作为关键环节,在减少交通量和提高交通效率方面起着积极的作用。利用深度学习实现车牌识别,对降低交通管理复杂度、协助管理人员提高效率具有重要现实意义。本文以神经网络为基础,相关研究共包含三个方面:车牌定位、矫正和字符识别,具体内容及工作如下:在车牌定位方面,针对图像中可能存在多车辆、车牌占据图像中较小的情况,在车牌定位之前增加车辆定位,去除非车辆的区域,有效降低了无车牌图像对车牌定位的影响。对于车牌定位,本文以Tiny-YOLOv3为基础,重新设计了网络,对原网络结构剪枝,并且增加了残差结构,降低了计算复杂度近2G/FLOPs,同时网络权重降低了近50%,从而构建了LP-YOLO模型结构。另外,使用K-means++对车牌数据集聚类,得到用于训练的锚框。实验表明,本文车牌定位方法的精准率较Tiny-YOLOv3有1%的提升,召回率有2%的提升,检测时间降低了1/3。在车牌矫正方面,车牌矫正用来修正定位到车牌可能存在倾斜的情况。通过改进VGG16,构建车牌矫正网络Correct Net,利用该网络实现预测车牌四个角点位置,并使用透视变换实现矫正车牌。最后,在108张倾斜车牌图像上测试,正确矫正车牌105张,正确率为97%。在字符识别方面,以YOLOv3结构构建了多种不同的字符识别网络,并且通过比较,得到了适用于本文字符识别的最佳网络结构。最终得到的网络结构中增加了SPP、SAM模块,对网络结构进行剪裁、压缩。针对本文数据集,同样使用K-means++算法得到字符数据集的锚框,获得与字符识别匹配的Anchor。为了加强多种类别损失的均衡性,运用了Focal loss优化策略。最终得到的网络模型大小较YOLOv3降低了约3倍,计算量降低了近4倍。实验表明,CR-YOLO较Tiny-YOLOv3精准率提升2%,召回率有较大幅度提升,为10%;精准率与YOLOv3持平,召回率有2%提升,检测时间大幅降低为1/2。最后构建了用于整体测试的538张数据集,该数据集包括正面、倾斜、暗光环境下,蓝、黄、绿三种底色的不同种类车辆的图像。并且与其他方法在此数据集上的蓝色车牌上进行了测试,并得到对比结果。另外,单独将本文方法在此测试集上测试,得到识别准确率分别为:正面94.1%、倾斜90.7%和光线较暗83.3%。
彭宁[2]（2021）在《基于改进的Faster R-CNN的车牌识别技术研究》文中指出伴随着科技不断地进步,智能交通领域也在不断地创新。而现今的智能交通领域的飞速发展离不开车牌检测和识别算法,近年来这方面的研究取得了突破性进展。然而,虽然现有的算法在简单场景下有较好的识别效果,但是如果在夜晚、冰雪、倾斜和模糊等复杂多变的场景下,现有算法的识别效果依旧不太理想。因而准确地实现车牌的检测和识别,仍然是一个充满挑战的任务,主要的困难在于自然场景中的文本干扰（如广告牌、道路指示牌等）以及复杂多变的环境如不同的光照、倾斜、冰雪遮挡以及模糊等。为此本文针对不同环境下的车牌识别开展了基于改进的Faster R-CNN（Faster Regions with CNN）的车牌识别技术研究。首先论文对传统车牌识别算法的国内外研究现状进行分析,其算法步骤大致分为车牌定位、字符分割、字符识别。因为每个步骤彼此之间互为关联,极易出现细小误差的放大和叠加,从而导致准确率大大降低。所以为了提高车牌识别算法的准确率,应该跳过字符分割阶段来避免误差放大。其次车牌定位的准确率直接地影响整个车牌识别算法的识别率,所以本文用Res Net网络作为主干网络来减少信息丢失、损耗,从而保护信息的完整性。采用RNN+BLSTM+CTC来增强字符识别准确率。数据集采用开源的中国车牌数据集（CCPD）,从中筛选出共8万多张以夜晚、倾斜度、模糊、积雪等分类的车牌照片,然后通过Model Arts的辅助和人工标注的方法制作了四种不同环境的数据集。最后对本文提出的网络模型进行训练和测试,并且与其他的车牌识别算法进行了实验对比和分析。从实验结果可以看出,在复杂多变的环境中,本文提出的这种端到端的车牌识别网络具有较高的识别率和准确率。
孟爽[3]（2021）在《自然环境下快速自动车牌检测方法研究》文中提出现今自动车牌识别算法（Automatic License Plate Recognition,ALPR）在世界各国广泛应用。其技术主要使用在停车场、高速公路、住宅等地,且在无人驾驶、智能交通等方面工作也可以提供一定帮助。自动车牌识别算法主要包含车牌检测（License Plate Detection,LPD）和车牌字符识别（Optical Character Recognition,OCR）两个步骤。车牌检测步骤是自动车牌识别算法的第一步且极为重要。目前,已存在许多快速且精准的字符识别算法,而大多数车牌检测方法在实际应用中仍具有一些不便利。在研究了学术界最新的典型自动车牌识别方法后,本文发现有些算法如Silva提出的无约束车牌识别方法更多的专注在车牌检测的精准度而速度较慢,有些算法如许震博提出的端到端快速车牌识别方法过于追求速度快导致精度不高,网络鲁棒性较差。此两种算法在应用时存在一定局限性。基于此,本文对自动车牌检测方法进行了深入研究,提出了自然环境下快速自动车牌检测算法。该算法包含轻量级车牌定位网络和车牌角点检测与矫正网络,能够在速度和精度之间取得很好的平衡,高准确率检测车牌的基础上达到实时的速度。本文的主要工作如下:1.针对目前车牌检测研究仍不能很好地平衡速度与精度的问题,本文提出了自然环境下快速自动车牌检测算法。本文基于YOLO设计了轻量级网络LPLO（License Plate Location）用于直接定位车牌,该网络通过回归一个涵盖全部车牌部分的矩形边界框,快速定位车牌的大致位置。为了排除边界框内非车牌部分的冗余信息影响,增加后续车牌字符的识别率,将LPLO网络定位的矩形框图像馈送至另一个轻量级网络CDC（Corner Detection and Correction）中,用于精准地检测车牌的四个角点坐标。并通过透视变换将车牌部分校正为正视图,减少字符畸变造成的识别错误。经过测试,本文提出的快速自动车牌检测算法对于大多数图像都能获取完整车牌。该算法具有较高的精准度和鲁棒性,在测试集中检测准确率达到98.6%,与真实标签Io U达到0.894。且能够以33.7帧/每秒（Frames Per Second,FPS）的实时速度检测720P大小的图像。与现有的典型车牌识别算法许震博端到端快速车牌检测方法和Silva两步式无约束车牌检测方法相比,综合鲁棒性和速度方面更有优势,证明了其实用性。（对应论文第三章）。2.虽然工作1提出的自动车牌检测方法已经可以达到33.7FPS的实时速度,但该算法在结构等方面仍有提升的空间。由此,本文提出了三种方法对上述提出的自动车牌检测算法进行加速。第一,对于LPLO网络在车牌检测步骤时间占用最多的问题,提出在LPLO车牌定位网络前,添加了预处理操作。通过提取图像的颜色信息,对可能是车牌的区域进行预筛选。从而增大车牌在整张图像中占比,减小特征图大小,减少模型计算时间。由于经过预处理后的图像除车牌外的冗余信息减少,更容易被定位,将车牌定位网络改进更加轻量。为了弥补主干网络的损失,添加了一条并行反馈支路和一条信息补充支路,将部分车牌检测错误的图像重检测,或从预处理前的原图中提取完整车牌区域,纠正部分检测错误。该加速方法使得整个车牌检测模块速度提升了近1.5倍,达到46.9FPS,准确率保持在94.9%,Io U保持在0.88。第二,在卷积神经网络中,使用深度可分离卷积代替传统卷积计算,通过减少卷积乘法计算次数加快网络运行速度。经过测试,此方法在计算力不足的设备上速度可以提升近49%。第三,使用模型量化工具。通过将模型计算位数从float32位降到int8位来缩短网络存储及计算时间。（对应论文第四章）。
路宇挺[4]（2020）在《智能交通系统中机器视觉与深度学习技术的研究》文中指出随着生活水平的不断提高,人们对交通工具的需求日益增加。各类交通工具的增加,不仅带动了经济的发展,还极大方便了人们的出行,但随之而来的各类交通安全、堵塞问题成为社会矛盾的焦点。基于上述背景,通过建立智能交通系统（ITS）是解决以上社会问题行之有效的办法。而随着人工智能等技术的发展,为我们提供了更好解决ITS关键技术中数据获取以及数据处理的手段。当前,伴随着在ITS中机器视觉和深度学习技术不断深入研究和应用,作为ITS中保障和管控车辆最简洁有效的手段,车牌信息识别技术和交通信息检测识别技术受到广泛的研究。本文分别对ITS中的车牌信息识别技术和交通信息检测识别技术进行了研究。首先,本文以研究内容相关技术理论为基础,以深度学习模型框架为切入点,对深度学习模型的构建和训练进行了深入的分析,进而为后续算法模型改进提出指导性思路和理论储备。其次,通过对深度学习框架分析,在车牌信息识别系统部分,以系统功能需求为依托,以系统软件设计思路为主线,以软件实现结果为目标,对软件模块进行布局和设计,进而实现对于改进车牌字符识别算法的研究。起先对车牌图像进行预处理操作,通过采用颜色信息与边缘信息相结合的车牌定位算法对预处理车牌图像进行定位,并且采用改进的基于垂直投影车牌字符分割算法对定位后的车牌字符进行分割。然后重点对传统车牌字符识别算法和基于深度学习车牌字符识别算法进行分析。由于深度学习算法在识别准确率以及鲁棒性等方面优势更加明显,因此本文采用基于改进的Le Net-5车牌字符识别算法,对分割的车牌字符进行识别。最终经过分析和测试,满足系统应用需求。最后,通过对基于深度学习车牌字符识别算法的研究,累积了深度学习模型构建和训练的经验。在交通信息检测识别系统部分,由于传统检测识别算法分别对其识别的车道线和交通标志单独处理,所以本文通过采用深度学习算法将车道线和交通标志同时进行检测识别。针对YOLOv3网络模型能够用于多类目标检测与识别这一特性,在Tiny-YOLOv3模型的基础上,利用清华-腾讯100K中国交通信息数据库,通过采用基于改进的Tiny-YOLOv3结构网络算法对交通信息检测识别。实验分析结果表明,该改进算法对于包含有车道线和交通标志的多类目标交通信息检测识别有效。
贾岚翔[5]（2020）在《计算机视觉在违章识别系统的研究与应用》文中指出随着国力的增强以及人民的富裕,私家车的数量以及私家车出行正在逐渐取代公共交通工具出行方式,交通违章问题是现代交通的核心关注点,也是保证人民财产以及人身安全的的关键。在现实中,交通执法者往往会面临天气等不可抗因素无法执行道路面对面的监督违法,需要快速及时的对车辆违章行为事件做出反应,就需要违章识别系统来辅助交通执法者对交通违章行为识别以及记录,目前市面上的一些违章拍照系统过于单一且违章拍摄的准确度有待提高,在处理干扰事件时会被一些外因影响较大,因此在违章识别问题上利用计算机视觉更加具有现实意义。首先本文针对国内外的计算机视觉方向研究动态进行阐述,以目前的计算机现有运算能力以及网络传输能力应对计算机视觉以及机器学习的问题已经可以完成,进一步对图像预处理的算法进行研究,其中包括图像的基本表示法,形态学操作以及边缘检测和直线检测等,其中最主要的是形态学操作以及边缘检测和直线检测,对后续的违章行为识别有着关键作用。然后分析日常生活中常见的违章行为比如违章停车,违章变道,违章逆行和安全带的佩戴等依次分析和选择设计监测方案,对于车辆识别算法做了多种比对,最后选取了识别效果及速度上最折中的YOLO算法对车辆进行识别,然后对识别违章的算法进行设计,但是仅仅可是识别车辆违章行为还是不够的,还需对违章的车辆进行记录,其中涉及到了车辆牌照的识别,其中又涉及到了车牌的定位,车牌字符的分割以及单个字符的识别。改进了占空比方式违章停车检测方法,并运用在违章识别系统中。使用车辆识别方法加占空比方式识别,更加精确直观的识别违章停车的车辆,从而提高了违章检测的有效性。最后收集大量车辆数据集并对数据集进行标注处理,然后练训识别权重,最后对于识别算法进行比对,验证了识别方案的有效性,同时根据实际情况开发出违章识别系统,将研究算法在系统中进行了有效的应用。
魏超[6]（2020）在《自然场景下高效车牌检测算法研究》文中提出车牌识别技术作为智能交通系统的重要组成部分,能够为智能交通提供高效、实用的管理办法。车牌识别在智能交通系统中起着非常关键的作用,车牌识别算法除了用于收费站系统以外,近些年还用于城市交通各种场景的智能监控。此外,除了固定视角图片,还有许多车牌图像拍摄于无人机和手机等便携相机,这类型图像通常质量不高,容易造成模糊等问题。这意味着算法面临更加复杂的自然场景,算法不但需要具有良好的鲁棒性,还需要达到实时检测的要求。因此,研究自然场景下的高效的车牌检测算法具有很高的应用价值。本文从自然场景下考虑,研究非理想场景下的高效的车牌检测算法,针对拍摄环境复杂、拍摄角度多变和检测效率低下等目前车牌检测技术中的问题,结合深度学习算法展开研究,主要有以下几点创新工作:（1）为解决车牌数据不平衡和生成车牌不真实的问题,研究了基于生成对抗网络的车牌生成算法。利用Cycle GAN将人工合成的车牌数据变换到真实的数据域,一定程度缓解了生成车牌与真实车牌分布差异的问题。通过使用Cycle GAN转换大量人工合成的车牌数据,一定程度解决了基于深度卷积网络训练过程中数据量不平衡的情况,为车牌字符识别算法带来了很大的性能提升。（2）研究了基于STN（Spatial Transformer Networks）改进的高效车牌检测算法。利用空间变换网络保持空间不变性和训练无需额外监督信息的特性,通过对车牌识别网络的检测部分添加STN模块,可以帮助网络隐式地学习旋转不变性且无需额外监督信息,STN模块极少的参数量也可以使网络保持高效性。经过实验比较,添加该模块后可以有效提升旋转倾斜车牌图像的识别准确率,提升网络对带有倾角图像识别的鲁棒性。（3）研究了无约束场景下的高效车牌检测算法。通过结合Anchor-Based和Anchor-Free的优点构建一个端到端的高效车牌检测网络,网络包含一个车辆检测模块、一个注意力模块和一个车牌检测模块。使用YOLOv3作为车辆检测的基础网络,并利用共享特征减少计算量,通过局部特征来检测车牌的关键点位置。此外,通过注意力模块增强局部区域的语义特征,帮助检测模块减少无关区域的干扰从而提高检测能力,最终得到一个高性能的实时检测网络。
屠骄阳[7]（2020）在《复杂场景下基于深度学习的车牌识别算法研究》文中认为高速公路收费系统、超速违章监管、公路稽查等各项智能管理都需要依赖车辆牌照,实时准确的车牌识别是实现各项管理的基础。传统的车牌识别技术依赖直观特征,对图像清晰度和复杂度有较高的限制。基于深度学习的车牌识别算法能自动提取细节特征,提高预测准确度,并随着电子技术和GPU的发展,使得利用深度学习算法来对车牌图像进行实时检测和识别成为可能。但该类方法一般依赖固定的车牌样式,限制其应用价值。车牌识别技术结合人工智能、图像处理、计算机视觉、模式识别、深度学习等技术,为探索复杂场景下基于深度学习的车牌识别任务中具有可行性与实用性的算法,本文开展了以下研究工作:（1）提出了一种数据集合理扩充的方法。针对用于训练的数据集分布不平衡导致训练后泛化性能差的问题,采用对标注的车牌区域进行随机旋转、模糊等数据增强算法。还从网络上收集了一部分车牌图片,并对其进行标注用于训练和测试。为解决字符识别网络训练数据量不充分和图片类型单一的问题,提出使用基于Open CV的车牌合成技术生成不同类型的车牌,增加了网络训练数据量。（2）提出了一种针对多任务卷积神经网络MTCNN在车牌检测任务中的金字塔模型生成方法。针对复杂场景下基于MTCNN的车牌检测方案,在第一阶段占整个检测阶段耗时过大的问题,通过比较单个尺度下模型的精度和回归率变化,确定尺寸分布模型进而改进用于生成多尺度图片的金字塔模型,以减少模型处理时间并提高检测准确度。并根据车牌的长宽比特征,改进了MTCNN三个子网络的输入大小和卷积核大小。最后,调整网络输出并根据MTCNN各个网络的任务改进损失函数。（3）研究并实现字符识别网络LPRNet。针对字符难以分割的问题,采用LPRNet提取特征,再通过CTC和集束搜索分别得到解码结果,最终拼接得到车牌号。为防止偏斜车牌影响识别结果,使用空间变换网络对MTCNN检测到的车牌进行矫正。经过以上研究工作,本文主要以三个公共数据集以及一个网络收集的数据集作为训练和测试用例,即Caltech Cars、English LP、CCPD和Inter LP,使用本文改进的MTCNN级联检测车牌,并用LPRNet识别字符。实验结果表明,在多个场景下车牌图像定位成功率可达94.65%,所有字符的识别准确率可达81.9%,5字以上识别率可达97.3%。并且平均每张车牌端到端处理时间在213ms左右,可以满足实际场景的应用需求。在未来的工作中,将进一步研究车牌识别算法在性能、评价和应用三个方面的扩展,并结合社会安全问题进一步对车辆和车主信息的识别。
韩泽凯[8]（2020）在《基于深度学习的车辆识别与变道检测方法研究》文中指出随着我国机动车保有量逐年增多,道路交通安全问题已成为社会的重点问题之一。为对车辆进行异常行为检测,引导驾驶员安全驾驶,智能视频监控技术已经广泛应用于智能交通系统（Intelligent Transportation System,ITS）中,为道路交通安全提供可靠的技术保障。为此,本文将对车辆检测及其属性识别、车道线检测、车牌识别以及应用系统的开发等关键问题进行研究,实现了在道路监控场景下,车辆的属性识别及异常行为检测,包括车辆的颜色、车型与车牌属性信息的识别以及对于车辆变道行为的检测。具体如下:1)针对视频车辆的检测与识别问题,提出了一种基于深度学习的联合检测识别算法。首先采用基于改进的卷积神经网络的视频目标检测算法对车辆目标进行检测,并利用改进的基于B-CNN的多尺度残差双流混合网络模型对检测车辆目标进行细粒度分类,获取车辆属性信息。同时利用卷积神经网络定位并提取车辆目标中的车牌,矫正因拍摄角度原因造成倾斜的车牌图像,获取精确的车牌图块;然后采用端到端的卷积神经网络对提取到的车牌进行字符识别,并对比检测置信度与先验阈值,确定车牌所属地区。实验表明该算法能够很好地完成对交通场景下的车辆检测以及目标车辆的属性识别。2)针对车辆异常行为检测,提出了一种基于固定场景的多车道线检测算法。该算法利用首先通过透视变换提取监控背景中的车道区域并将图像视角转换为鸟瞰视角图像;然后通过像素直方图统计获取图像中的车道线起始位置,利用滑窗统计像素点并获取车道线像素位置信息;最后拟合车道线像素信息获取车道线检测结果。实验结果表明,提出的算法能够鲁棒的检测多车道线,并为该系统的构建提供了重要的车道线信息。3)基于上述提出的算法,设计并开发了一套基于道路监控场景下的车辆压线检测以及车辆变道检测系统软件。该系统软件采用用户界面与逻辑分离的设计方法,用户界面具有友好的人机交互性能,其检测逻辑分模块化构成,有利于后续的功能优化。该系统通过数据库存储检测数据,为道路交通监管部门对交通问题的分析及解决提供了有力的数据支持。
付源梓[9]（2020）在《自然场景下基于深度学习的车牌识别方法研究》文中研究指明作为智能交通系统的重要组成部分,自动车牌识别技术一直是计算机视觉领域的研究热点。随着深度学习技术的发展,平安城市、无人驾驶等领域对车牌识别技术新需求的提出,以及智能手机、移动终端设备拍摄得到的复杂车牌图像所带来挑战的升级,车牌识别面临着新的挑战,同时也带来了新的研究契机。近年来,针对车牌识别的研究层出不穷,但大多数方法未能全面细致地分析自然场景下车牌图像的特点。基于传统特征的方法识别速度较快,但多用于受控条件下的车牌图像,对于场景变化因素鲁棒性不强;基于深度学习的方法通过对大量样本进行训练学习,能够在多变的自然环境中表现出更好的效果,但很少考虑到自然场景下车牌变形不规则的问题,存在很大的改进空间。自然场景下复杂环境的干扰、车牌图像质量参差不齐、车牌形状变形不规则和不同国家的设计规则等影响因素的存在,使得车牌识别具有非常大的挑战性。为了提升自然场景下车牌识别的整体识别效果,本文充分考虑车牌的形状特征,提出了一种自然场景下变形车牌检测模型DLPD-Net,并在此基础上提出了一个完整的车牌检测与识别系统。本文的主要工作如下:（1）针对车牌识别方法进行了总结与分析。详细描述并分析了近年来的车牌识别方法,通过归纳总结车牌图像的特点,指出了现有车牌识别方法中存在的不足,为车牌识别的进一步研究打下了基础。（2）提出了一种自然场景下变形车牌检测模型DLPD-Net。该模型利用编解码器以提取输入图像的特征图,基于车牌热力值图与偏移值图来预测车牌中心,通过仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。通过在AOLP和CD-HARD车牌数据集上的实验结果对比,验证了该模型的有效性和鲁棒性。（3）开发了一种自然场景下车牌检测与识别系统。基于DLPD-Net模型提出了一种车牌检测与识别系统,通过多个模块的组合,能够实现在各种变形条件下的车牌识别,鲁棒性强,在遮挡、污垢、图像模糊等复杂自然场景下具有十分良好的识别效果。将该系统用于缅甸车牌识别系统开发中,拥有着良好的识别率与应用性能。
菅博瑞[10]（2020）在《基于深度学习的车牌识别方法研究》文中研究说明建设智慧交通是未来城市发展的必然趋势,车牌字符识别是实现智慧交通建设的一个核心和热点问题,该技术在改善传统交通监管机制、节约时间成本、提高交警工作效率等方面起到了积极作用。传统识别算法多依赖于高清车牌图像,在实际应用场景中,对光线气候条件、采集距离和角度、车辆速度等有较高要求,在识别字符扭曲、模糊等形变图像时有一定局限性。随着计算机图像处理和运算能力提升,本文在基于深度学习基础上,从车牌区域检测和字符序列识别两方面进行研究,主要内容及工作如下:（1）针对中国车牌特征和字符编排规则,设计实现了车牌图像生成系统,能够批量生成四种常见种类车牌,并实现车牌图像的模糊、雾化、字符扭曲等数据增强处理,旨在为实验中模型训练提供大规模数据集。然后基于生成对抗网络原理,构建一种改进的DCGAN网络模型,实现输入随机噪声点并输出指定字符序列的车牌图像。（2）针对车牌定位,首先结合多种图像处理技术实现传统车牌区域检测,然后构建一种基于Mask R-CNN的目标检测算法模型,并根据车牌长宽比例优化生成候选框的参数,该模型也适用于新能源车牌检测,较于传统检测算法能有效降低漏检和误检率,在精准率和召回率等指标评估时提高了约十个百分点。（3）针对字符识别,本文分别实现基于字符分割和端到端两种算法,首先结合图像处理技术优化分割流程,成功实现对扭曲、模糊字符的分割,然后融入卷积神经网络构建三个子模型对分割字符进行识别,实验表明在数据集中增加扭曲、模糊字符,能够提高模型泛化性。针对端到端字符识别,为避免字符分割带来误差积累和验证端到端方法可行性,构建一种改进的AlexNet网络模型,将原网络全连接层替换为卷积层,并利用权重衰减等技术逐步优化网络。最终选取常规和形变车牌图像进行实验,结果表明优化模型能有效提高字符序列识别准确率。
二、A Practical Method of Car License Plate Character Segmentation Based on Morphology and Labeling（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、A Practical Method of Car License Plate Character Segmentation Based on Morphology and Labeling（论文提纲范文）
（1）基于YOLOv3的车牌识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 车牌识别算法中的难点 |
| 1.4 本文的主要内容及创新点 |
| 1.4.1 主要研究内容 |
| 1.4.2 创新点 |
| 1.5 本文的组织结构 |
| 第2章 相关算法理论分析 |
| 2.1 神经网络 |
| 2.1.1 感知器和多层网络 |
| 2.1.2 反向传播算法 |
| 2.1.3 激活函数 |
| 2.2 卷积神经网络 |
| 2.2.1 网络结构组成 |
| 2.2.3 经典网络模型结构 |
| 2.3 网络结构复杂度分析 |
| 2.3.1 时间复杂度 |
| 2.3.2 空间复杂度 |
| 2.4 目标检测算法 |
| 2.4.1 RCNN系列 |
| 2.4.2 YOLO系列 |
| 2.5 本章小结 |
| 第3章 车牌定位研究 |
| 3.1 车牌定位前处理 |
| 3.1.1 网络权重 |
| 3.1.2 车辆定位后处理 |
| 3.2 LP-YOLO网络算法分析 |
| 3.2.1 网络模型设计 |
| 3.2.2 边界框机制 |
| 3.2.3 损失函数 |
| 3.2.4 网络复杂度 |
| 3.2.5 网络训练 |
| 3.3 车牌矫正算法设计与改进 |
| 3.3.1 矫正算法 |
| 3.3.2 网络模型设计 |
| 3.3.3 损失函数设计 |
| 3.3.4 透视变换 |
| 3.3.5 矫正流程 |
| 3.4 本章小结 |
| 第4章 车牌字符识别研究 |
| 4.1 传统车牌字符识别 |
| 4.2 CR-YOLO网络算法分析 |
| 4.2.1 网络模型结构 |
| 4.2.2 Anchor的选择 |
| 4.2.3 优化损失函数 |
| 4.2.4 网络复杂度 |
| 4.3 字符识别处理改进 |
| 4.4 本章小结 |
| 第5章 车牌识别算法实现与验证 |
| 5.1 实验环境 |
| 5.2 数据集的获取与处理 |
| 5.2.1 数据集构建 |
| 5.2.2 数据标注 |
| 5.2.3 数据扩充 |
| 5.3 实验结果与分析 |
| 5.3.1 性能评价指标 |
| 5.3.2 车辆检测结果 |
| 5.3.3 车牌定位结果与分析 |
| 5.3.4 字符识别结果与分析 |
| 5.3.5 车牌整体识别效果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它科研成果 |
| 三、其它荣誉奖项 |
（2）基于改进的Faster R-CNN的车牌识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统车牌定位研究现状 |
| 1.2.2 字符分割及去模糊研究现状 |
| 1.2.3 基于深度学习车牌识别研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 车牌识别相关理论基础 |
| 2.1 传统车牌识别概述 |
| 2.1.1 算法架构 |
| 2.1.2 重点难题 |
| 2.1.3 算法比较 |
| 2.2 卷积神经网络 |
| 2.2.1 基本网络结构 |
| 2.2.2 基于Faster R-CNN的车牌识别 |
| 2.2.3 Faster R-CNN网络结构 |
| 2.3 VGG16网络 |
| 2.4 ResNet网络 |
| 2.5 本章小结 |
| 第3章 数据集的构建 |
| 3.1 中国车牌介绍 |
| 3.2 中国车牌字符标准 |
| 3.3 数据集来源与制作 |
| 3.3.1 数据集来源 |
| 3.3.2 数据集制作 |
| 3.3.3 数据集标注 |
| 3.4 本章小结 |
| 第4章 基于改进的Faster R-CNN的车牌识别 |
| 4.1 改进的 Faster R-CNN 车牌定位算法 |
| 4.2 改进的Faster R-CNN车牌字符识别算法 |
| 4.2.1 CRNN网络结构 |
| 4.2.2 CTC损失函数 |
| 4.3 端到端的车牌识别 |
| 4.4 本章小结 |
| 第5章 实验对比与分析 |
| 5.1 车牌定位对比实验及其结果 |
| 5.2 字符识别对比实验及其结果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所取得的学术成果 |
| 致谢 |
（3）自然环境下快速自动车牌检测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 车牌识别算法研究现状 |
| 1.2.1 传统图像处理车牌识别 |
| 1.2.2 基于深度学习车牌识别 |
| 1.3 本文主要研究内容 |
| 1.4 本文结构安排 |
| 第二章 车牌识别典型方法介绍 |
| 2.1 引言 |
| 2.2 目标检测算法研究进展 |
| 2.2.1 两阶段目标检测算法发展历程 |
| 2.2.2 单阶段目标检测算法发展历程 |
| 2.2.3 目标检测常用评价指标 |
| 2.3 车牌检测典型方法 |
| 2.3.1 两阶段无约束自动车牌检测算法 |
| 2.3.2 快速端到端自动车牌检测算法 |
| 2.4 光学字符识别在车牌识别中的应用 |
| 2.5 本章小结 |
| 第三章 基于直接定位的快速车牌检测算法研究 |
| 3.1 引言 |
| 3.2 车牌边界框定位算法 |
| 3.3 边界框车牌角点检测算法 |
| 3.4 数据集及实验结果验证 |
| 3.4.1 中国车牌数据集 |
| 3.4.2 加速网络搭建 |
| 3.4.3 实验结果 |
| 3.5 存在的问题及分析 |
| 3.5.1 定位误差导致检测结果错误 |
| 3.5.2 蓝色标牌物体网络误触发 |
| 3.6 本章小结 |
| 第四章 快速车牌检测的加速算法研究 |
| 4.1 引言 |
| 4.2 预处理加速 |
| 4.2.1 使用颜色特征预处理 |
| 4.2.2 LPLO网络结构优化 |
| 4.3 反馈支路纠正错检 |
| 4.4 深度可分离卷积加速网络 |
| 4.5 模型量化减少网络计算时间 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（4）智能交通系统中机器视觉与深度学习技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌信息识别的研究现状 |
| 1.2.2 交通信息识别的研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 2 机器视觉与深度学习核心技术分析 |
| 2.1 深度学习框架分析 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 卷积神经网络构建 |
| 2.3 目标检测相关内容 |
| 2.3.1 目标检测基础分析 |
| 2.3.2 目标检测算法分析 |
| 2.4 Tensor Flow框架分析 |
| 2.5 本章小结 |
| 3 车牌字符识别 |
| 3.1 车牌图像处理 |
| 3.1.1 车牌图像预处理 |
| 3.1.2 车牌图像定位 |
| 3.1.3 车牌字符分割 |
| 3.2 传统车牌字符识别算法分析 |
| 3.2.1 基于模板匹配的车牌字符识别 |
| 3.2.2 基于机器学习的车牌字符识别 |
| 3.3 基于深度学习的车牌字符识别 |
| 3.3.1 LeNet-5 网络模型 |
| 3.3.2 改进LeNet-5 的车牌字符识别 |
| 3.3.3 车牌识别系统软件设计 |
| 3.3.4 算法实现与分析 |
| 3.4 本章小结 |
| 4 交通信息识别 |
| 4.1 传统车道线识别算法分析 |
| 4.1.1 基于特征的车道线识别 |
| 4.1.2 基于模型的车道线识别 |
| 4.2 传统交通标志检测识别算法分析 |
| 4.2.1 基于模板匹配的交通标志检测识别 |
| 4.2.2 基于特征和支持向量机的交通标志检测识别 |
| 4.3 基于深度学习的交通信息检测识别 |
| 4.3.1 YOLOv3 |
| 4.3.2 交通信息数据集 |
| 4.3.3 基于改进Tiny-YOLOv3 的交通信息检测识别 |
| 4.3.4 算法实现与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）计算机视觉在违章识别系统的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.3 国内外研究动态 |
| 1.4 本文主要研究内容及难点分析 |
| 1.5 本章小结 |
| 第2章 图像预处理算法的研究 |
| 2.1 图像基本表示方法 |
| 2.1.1 二值图像 |
| 2.1.2 灰度图像 |
| 2.1.3 彩色图像 |
| 2.2 图像基本处理 |
| 2.2.1 彩色图像转灰度图像 |
| 2.2.2 二值图像的转化 |
| 2.2.3 图像去噪 |
| 2.3 形态学操作 |
| 2.3.1 腐蚀 |
| 2.3.2 膨胀 |
| 2.3.3 开运算与闭运算 |
| 2.4 图像的边缘检测 |
| 2.4.1 Canny边缘检测 |
| 2.4.2 Sobel算子 |
| 2.5 图像中直线检测 |
| 2.5.1 霍夫变换 |
| 2.5.2 概率霍夫变换 |
| 2.6 图像金字塔 |
| 2.7 本章小结 |
| 第3章 违章行为的分析与检测设计 |
| 3.1 违章停车的检测与判别 |
| 3.1.1 均值方差阈值方式检测违章停车 |
| 3.1.2 占空比方式检测违章停车 |
| 3.2 违章变道的检测与判别 |
| 3.2.1 巴氏度量车辆违章变道检测 |
| 3.2.2 分水岭加轨迹违章变道检测 |
| 3.3 违章逆行的检测与判别 |
| 3.3.1 质心坐标检测法 |
| 3.3.2 卷积神经网络的车辆逆行检测 |
| 3.4 安全带佩戴的检测与判别 |
| 3.4.1 基于霍夫变换的安全带检测 |
| 3.4.2 卷积神经网络的安全带识别 |
| 3.4.3 显着梯度图检测安全带 |
| 3.4.4 结合YOLO的驾驶员安全带检测 |
| 3.5 本章小结 |
| 第4章 车牌识别算法的研究 |
| 4.1 车牌定位算法的研究 |
| 4.1.1 图像二值化 |
| 4.1.2 边缘检测 |
| 4.1.3 闭运算与车牌定位 |
| 4.2 车辆牌照字符的分割 |
| 4.2.1 模板匹配法 |
| 4.2.2 垂直投影法 |
| 4.3 单个字符的识别 |
| 4.4 神经网络识别车牌 |
| 4.4.1 特征值的提取 |
| 4.4.2 BP神经网络的训练 |
| 4.5 车辆牌照分类识别 |
| 4.5.1 RGB图像转换HSV类型 |
| 4.5.2 形态统计学识别车牌颜色 |
| 4.6 本章小结 |
| 第5章 车辆识别及跟踪算法的确定 |
| 5.1 SVM分类法识别车辆 |
| 5.1.1 基于HOG特征和SVM的车辆识别 |
| 5.1.2 HOG特征提取 |
| 5.1.3 HOG特征提取的实现方法 |
| 5.1.4 HOG特征提取与计算步骤 |
| 5.1.5 SVM车辆分类器训练 |
| 5.2 YOLO目标检测算法 |
| 5.2.1 YOLOv3目标检测算法原理 |
| 5.2.2 对图片进行标注 |
| 5.2.3 Darknet-53 神经网络 |
| 5.2.4 YOLOv3的多尺度特征目标识别 |
| 5.3 SVM+HOG VS YOLOv3 |
| 5.4 图像标注及权重训练 |
| 5.4.1 增加数据集及图像信息标注 |
| 5.4.2 训练数据集 |
| 5.4.3 训练结果分析 |
| 5.5 车辆追踪算法确定 |
| 5.5.1 多目标跟踪算法 |
| 5.6 本章小结 |
| 第6章 违章识别系统的设计 |
| 6.1 软件需求分析 |
| 6.1.1 用户需求分析 |
| 6.1.2 界面需求分析 |
| 6.2 系统模块及架构设计 |
| 6.2.1 系统模块设计 |
| 6.2.2 系统架构设计 |
| 6.3 系统功能的实现 |
| 6.3.1 软件开发环境 |
| 6.3.2 UI设计 |
| 6.4 软件检测结果分析 |
| 6.5 本章小结 |
| 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（6）自然场景下高效车牌检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌检测算法研究现状 |
| 1.2.2 车牌字符识别算法研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 深度学习车牌检测识别相关知识 |
| 2.1 卷积神经网络基础知识 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.1.4 损失函数 |
| 2.2 经典卷积神经网络结构 |
| 2.3 目标检测算法模型概述 |
| 2.3.1 Faster-RCNN模型 |
| 2.3.2 SSD模型 |
| 2.3.3 Center Net模型 |
| 2.4 本章小结 |
| 第三章 车牌生成算法 |
| 3.1 车牌数据集 |
| 3.1.1 人工合成数据集 |
| 3.1.2 CCPD数据集 |
| 3.2 基于GAN的图像生成算法 |
| 3.2.1 GAN原理 |
| 3.2.2 Cycle GAN模型 |
| 3.3 基于GAN车牌生成算法 |
| 3.3.1 车牌生成算法框架 |
| 3.3.2 网络结构 |
| 3.4 实验 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 基于空间变换改进的高效车牌检测 |
| 4.1 固定场景下车牌检测算法概述 |
| 4.2 近景下的高效车牌检测模型 |
| 4.3 基于空间变换的车牌检测算法 |
| 4.3.1 空间变换网络介绍 |
| 4.3.2 改进的车牌识别网络结构 |
| 4.4 实验 |
| 4.4.1 实验数据 |
| 4.4.2 实验结果 |
| 4.5 本章小结 |
| 第五章 基于Anchor-Free的高效车牌检测 |
| 5.1 无约束场景下的车牌检测算法概述 |
| 5.2 基于Anchor的车牌检测算法框架 |
| 5.3 基于Anchor-Free车牌检测算法的改进 |
| 5.3.1 车牌检测器 |
| 5.3.2 损失函数设计 |
| 5.4 实验 |
| 5.4.1 实验数据 |
| 5.4.2 实验结果 |
| 5.4.3 可视化结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的成果 |
| 致谢 |
（7）复杂场景下基于深度学习的车牌识别算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车牌检测研究现状 |
| 1.2.2 字符识别研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论研究及框架选取 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.1.4 激活函数 |
| 2.1.5 损失函数 |
| 2.2 常见的目标检测模型 |
| 2.3 车牌检测常用算法 |
| 2.4 字符识别常用算法 |
| 2.5 实验框架选择 |
| 2.6 本章小结 |
| 第三章 数据准备 |
| 3.1 车牌检测数据来源 |
| 3.2 车牌识别数据来源 |
| 3.3 数据标注 |
| 3.4 本章小结 |
| 第四章 车牌检测与字符识别算法 |
| 4.1 MTCNN在车牌检测中的改进 |
| 4.1.1 网络特征提取的改进 |
| 4.1.2 改进多尺度金字塔生成模型 |
| 4.1.3 网络训练 |
| 4.2 基于LPRNet字符识别算法 |
| 4.2.1 算法框架 |
| 4.2.2 车牌矫正 |
| 4.2.3 网络训练 |
| 4.3 本章小结 |
| 第五章 实验与分析 |
| 5.1 基于MTCNN的车牌检测实验 |
| 5.1.1 特征可视化 |
| 5.1.2 车牌检测性能评价 |
| 5.1.3 自然场景下有效性测试 |
| 5.2 基于LPRNet的字符识别实验 |
| 5.2.1 特征可视化 |
| 5.2.2 测试集及性能评价 |
| 5.2.3 字符识别有效性验证 |
| 5.3 整体有效性验证及界面展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 4 发明专利 |
| 学位论文数据集 |
（8）基于深度学习的车辆识别与变道检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 目标检测算法 |
| 1.2.2 车道线检测算法 |
| 1.2.3 车牌识别算法 |
| 1.2.4 研究的主要难点 |
| 1.3 本文主要内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 相关理论基础知识 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 激活函数 |
| 2.2.4 全连接层 |
| 2.3 数字图像处理相关基础知识 |
| 2.3.1 图像灰度变换 |
| 2.3.2 图像的开操作 |
| 2.4 本章小结 |
| 第3章 车辆检测及属性识别算法 |
| 3.1 引言 |
| 3.2 基于YOLO网络模型的车辆目标检测 |
| 3.2.1 YOLO系列网络模型结构 |
| 3.2.2 网络模型修改 |
| 3.3 基于B-CNN的改进的细粒度分类算法 |
| 3.3.1 B-CNN网络结构 |
| 3.3.2 基于B-CNN的改进的车辆细粒度分类模型 |
| 3.4 车牌识别 |
| 3.5 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于固定场景的多车道线检测算法 |
| 4.1 引言 |
| 4.2 算法基本思想 |
| 4.2.1 边缘检测 |
| 4.2.2 仿射变换和透视变换 |
| 4.2.3 曲线拟合 |
| 4.3 一种多车道线检测算法 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 车辆识别与变道检测系统设计与实现 |
| 5.1 引言 |
| 5.2 系统软件设计方案 |
| 5.2.1 软件需求分析 |
| 5.2.2 软件设计 |
| 5.3 系统软件实现 |
| 5.3.1 验证用户界面 |
| 5.3.2 用户查询管理界面 |
| 5.3.3 检测系统运行界面 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 指导教师对学位论文的学术评语 |
| 学位论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（9）自然场景下基于深度学习的车牌识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆检测 |
| 1.2.2 车牌检测 |
| 1.2.3 车牌字符识别 |
| 1.3 研究内容与组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 组织结构 |
| 第二章 卷积神经网络与相关算法分析 |
| 2.1 卷积神经网络概述 |
| 2.1.1 网络各层介绍 |
| 2.1.2 激活函数 |
| 2.1.3 损失函数 |
| 2.1.4 卷积神经网络训练 |
| 2.2 相关算法介绍 |
| 2.2.1 YOLO算法简介 |
| 2.2.2 Center Net简介 |
| 2.2.3 空间变换网络简介 |
| 2.4 本章小结 |
| 第三章 自然场景下变形车牌检测方法研究 |
| 3.1 算法主要思想 |
| 3.1.2 网络结构设计 |
| 3.1.3 检测过程 |
| 3.1.4 损失函数设计 |
| 3.2 实验分析 |
| 3.2.1 数据集与实验环境 |
| 3.2.2 模型性能评价标准 |
| 3.2.3 编解码器性能分析 |
| 3.2.4 车牌检测结果分析 |
| 3.2.5 仿射变换的作用分析 |
| 3.4 本章小结 |
| 第四章 变形车牌检测与识别系统设计与开发 |
| 4.1 自然场景下变形车牌检测与识别系统结构 |
| 4.1.1 车辆检测模块 |
| 4.1.2 车牌检测及校正模块 |
| 4.1.3 车牌字符识别模块 |
| 4.2 实验分析 |
| 4.2.1 数据集与实验环境 |
| 4.2.2 系统准确率分析 |
| 4.2.3 系统应用性能分析 |
| 4.3 缅甸车牌识别系统开发 |
| 4.3.1 Myanmar-LP数据集 |
| 4.3.2 缅甸车牌识别技术方案 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）基于深度学习的车牌识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 车牌识别研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 现阶段车牌识别技术难点 |
| 1.4 本文组织架构 |
| 2 相关算法与理论基础 |
| 2.1 深度学习概述 |
| 2.2 深度学习理论基础 |
| 2.2.1 回归模型 |
| 2.2.2 神经元数学表达 |
| 2.2.3 激活函数机理 |
| 2.3 深度学习核心算法 |
| 2.4 卷积神经网络(CNN) |
| 2.4.1 CNN结构和基本原理 |
| 2.4.2 CNN图像识别优势 |
| 2.5 本章小结 |
| 3 车牌区域检测与车牌图像生成 |
| 3.1 中国车牌特征 |
| 3.2 常见车牌区域检测方法 |
| 3.3 基于python传统车牌区域检测 |
| 3.4 基于Mask R-CNN网络车牌检测 |
| 3.4.1 Mask R-CNN模型工作原理 |
| 3.4.2 车牌数据集标注 |
| 3.4.3 模型训练 |
| 3.4.4 实验结果分析 |
| 3.5 车牌图像生成 |
| 3.5.1 设计车牌图像生成系统 |
| 3.5.2 基于DCGAN网络生成车牌图像 |
| 3.6 本章小结 |
| 4 基于字符分割的车牌识别 |
| 4.1 图像预处理 |
| 4.1.1 图像灰度化 |
| 4.1.2 去除车牌边框和铆钉 |
| 4.1.3 字符连通处理 |
| 4.1.4 垂直投影法分割字符 |
| 4.2 省份简称字符识别模型 |
| 4.3 地级市字符识别模型 |
| 4.4 间隔符后字符序列识别 |
| 4.5 本章小结 |
| 5 基于Alex Net网络的端到端车牌字符识别 |
| 5.1 端到端车牌字符识别优势 |
| 5.2 车牌数据集增强 |
| 5.3 基于改进Alex Net网络的端到端车牌识别 |
| 5.3.1 制作Tfrecord格式车牌数据集 |
| 5.3.2 端到端网络结构设计 |
| 5.3.3 模型训练 |
| 5.4 字符识别模型优化 |
| 5.5 实验结果分析 |
| 5.5.1 常规车牌识别 |
| 5.5.2 形变车牌识别 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 攻读学位期间发表的学术论文及参加科研项目 |
| 致谢 |
| 参考文献 |
四、A Practical Method of Car License Plate Character Segmentation Based on Morphology and Labeling（论文参考文献）
- [1]基于YOLOv3的车牌识别研究[D]. 贺智龙. 齐鲁工业大学, 2021(09)
- [2]基于改进的Faster R-CNN的车牌识别技术研究[D]. 彭宁. 哈尔滨理工大学, 2021(09)
- [3]自然环境下快速自动车牌检测方法研究[D]. 孟爽. 兰州大学, 2021(09)
- [4]智能交通系统中机器视觉与深度学习技术的研究[D]. 路宇挺. 兰州交通大学, 2020(02)
- [5]计算机视觉在违章识别系统的研究与应用[D]. 贾岚翔. 大连交通大学, 2020(06)
- [6]自然场景下高效车牌检测算法研究[D]. 魏超. 华东交通大学, 2020(03)
- [7]复杂场景下基于深度学习的车牌识别算法研究[D]. 屠骄阳. 浙江工业大学, 2020(02)
- [8]基于深度学习的车辆识别与变道检测方法研究[D]. 韩泽凯. 深圳大学, 2020(10)
- [9]自然场景下基于深度学习的车牌识别方法研究[D]. 付源梓. 合肥工业大学, 2020(02)
- [10]基于深度学习的车牌识别方法研究[D]. 菅博瑞. 华北水利水电大学, 2020(01)