1 绪论
做每个环节的现状研究。
文章的整体架构构思。
2 卷积神经网络基础
主要介绍了卷积神经网络的基本原理和卷积神经网络的一些变形结构。基本原理方面包括卷积网络的卷积、池化、激活等。 基于卷积神经网络的变形包括反卷积、膨胀卷积等。同时介绍了训练卷积网络的常用方法， 比如反向传播、 Dropout、正则化等。
3 低光照车牌图像增强
需要简述低光照图像的情况。然后介绍如何制作低照度的数据值增加图片的暗度改变是对比度亮度和添加噪声麻烦的是怎么实际的采集正常的成本头像。然后把它制作成低光照图，然后做有监督学习。
文中从主要从两个方面制作成低照度数据及一个是亮度，还有一个模糊程度。
最后再是介绍所用的图像增强深度学习算法模型的基本原理。
4 车牌定位
介绍车牌定位有传统方法和深度学习方法，然后详细说明使用目标检测深度学习方法的改进之处，比如损失函数。
5 车牌识别
为什么用深度学习方法做字符识别？
传统的字符识别方法。不能解决实际场景中。车牌污损遮挡光照不均匀，车牌倾斜的问题。要使用深度学习卷积神经网络端到端的方法，对车牌进行整体的识别。从而能够避免多个环节造成的误差累积。然后提高车牌将地上的识别精度。
字符识别方法有哪些？
PS：可以自己写，先积累素材。
为什么要做车牌矫正变换？
答：车牌图像存在倾斜的情况下，直接对其进行字符准确率不高。经过倾斜矫正处理，保证图能够水平垂直。提升字符识别准确率。
基于DL的车牌识别
略
识别数据集制作
数据集使用的是CCPD，然后每一个子集取一部分把它做裁剪，只保留车牌部分，再做倾斜矫正，得到正视图再做识别。
6 结论与展望
6.1 论文总结
论文总结的时候第一段概述本文的问题来源，然后开始介绍本文的主要内容，每个内容的创新点是什么，起到什么作用。
- 在具体研究工作中，首要的是指出对各个领域的调研，指出现有算法的不足之处并提出改进方案。
- 第二个部分是考虑到车牌在一些复杂的情况下，比如说夜晚，然后由于光线的不足造成图像的不清晰，对车牌定位和识别造成困难，所以说在本文中需要处理这个数据集，进行暗光的处理。然后使用网络。对嗯。其进行图像增强，然后实验再做对比得到结果。
- 在车牌检测识别的环节，也就是在定位的时候。他选用的是YOLO3，然后需要去研究改正他的损失函数和网络结构，更甚至于去改正网络结构、建议框的高宽比尺寸，从而提高车牌检测定位的准确率。他的好处也要说明出来，比如说演改了网络结构之后，能够缩减网络的计算量等等，也就是能够解决什么问题。然后在实验的时候要说明。先在原有的数据集上，因为存在夜光等造成字符不清晰的问题，然后造成识别率比较低，然后通过改进之后的网络呢，比如说暗光增强，然后再做改进后的YOLO3算法，得到高准确率的这个对比实验的结果。
- 在车牌定位之后。因为车牌存在倾斜的现象，然后又由于字符识别，对于字符位置，角度有很高的要求，所以说嗯，是要进行字符的倾斜矫正。然后保持车牌处于水平和数值的位置。然后文中再介绍使用的是什么网络，这个网络的好处是什么。
总结来说，就是一句话概括上文。然后一句话说明整个环节包括哪些部分，针对每个部分去说我做了哪些改进，这个改进的好处是什么？并通过实验去得到论证。 这些环节包括论文的调研，调研得到的现有算法缺陷是什么？然后是图像存在的缺陷是什么？所以要做图像增强。然后是车牌的定位检测，带有矫正的一个字符识别。
6.2 论文展望
展望中提出了不足：
- 第一个是只有蓝色车牌，没有新能源的绿色车牌。
- 还有就是，只有做低光照的识别，没有考虑。车牌遮挡无损天气的原因，
- YOLO版本太老。
标签：字符识别,卷积,然后,神经网络,识别,车牌,光照 来源： https://www.cnblogs.com/starc/p/16080013.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。