声明
致谢
摘要
1 绪论
1.1 课题背景与意义
1.2 车牌字符识别研究现状
1.2.1 基于模板匹配的方法
1.2.2 基于k-NN分类器的方法
1.2.3 基于浅层神经网络的方法
1.2.4 基于SVM的方法
1.2.5 浅层结构学习算法存在的问题
1.3 深度学习技术
1.4 课题内容与论文结构
1.4.1 课题内容
1.4.2 论文结构
2 基本概念与理论
2.1 马尔可夫链及其平稳分布
2.2 马尔可夫链蒙特卡罗方法
2.3 Gibbs采样
2.4 受限波尔兹曼机
2.4.1 RBM网络结构
2.4.2 RBM的训练方法
2.4.3 对比散度算法
2.5 深度信念网络
2.5.1 DBN的网络结构
2.5.2 DBN的训练方法
2.6 本章小结
3 基于深度信念网络的字符识别算法
3.1 字符识别算法流程
3.2 图像预处理与特征提取
3.2.1 图像预处理
3.2.2 特征提取
3.3 DBN分类器设计
3.3.1 DBN分类器的结构
3.3.2 DBN网络深度
3.3.3 隐单元类型及数量
3.4 DBN分类器的训练
3.4.1 贪心逐层训练
3.4.2 基于BP算法的全局训练
3.5 RBM训练
3.5.1 训练集分批
3.5.2 权重与偏置的初始化
3.5.3 单元状态更新
3.5.4 学习率选择
3.5.5 停止判据
3.6 训练样本生成
3.6.1 恶劣条件车牌图像分析
3.6.2 训练样本生成
3.7 本章小结
4 实验与分析
4.1 字符识别测试
4.2 与其他算法的比较
4.2.1 模糊字符集
4.2.2 噪声字符集
4.2.3 残缺字符集
4.2.4 倾斜字符集
4.2.5 结论
4.3 本章小结
5 算法性能优化
5.1 RBM训练过程优化
5.1.1 冲量
5.1.2 改进的冲量因子
5.2 全局训练的并行优化
5.3 识别过程的并行优化
5.4 算法性能测试
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
作者简介