智能交通系统中车牌识别与车型检测的研究
摘要 | 第1-9页 |
Abstract | 第9-10页 |
第1章 绪论 | 第10-15页 |
·引言 | 第10页 |
·智能交通系统的研究内容及发展现状 | 第10-12页 |
·研究内容 | 第10-11页 |
·发展现状 | 第11-12页 |
·课题的背景和意义 | 第12页 |
·交通信息采集系统简介及需求分析 | 第12-13页 |
·系统简介 | 第12-13页 |
·需求分析 | 第13页 |
·本论文的研究目的和研究内容 | 第13-14页 |
·研究目的 | 第13页 |
·研究内容 | 第13-14页 |
·本论文的主要内容 | 第14-15页 |
第2章 车牌图像的定位与二值化 | 第15-25页 |
·车牌图像定位的总体思想 | 第15页 |
·彩色图像的灰度化 | 第15-16页 |
·图像预处理 | 第16-19页 |
·中值滤波 | 第17页 |
·直方图均衡化 | 第17-19页 |
·车牌定位 | 第19-22页 |
·车牌特征 | 第19页 |
·车牌的扫描线特征 | 第19-20页 |
·边缘检测 | 第20-21页 |
·行扫描定位 | 第21-22页 |
·车牌图像二值化 | 第22-24页 |
·大津法选取阈值 | 第22-23页 |
·灰度图像二值化 | 第23-24页 |
·本章小结 | 第24-25页 |
第3章 车牌的精确定位与字符提取 | 第25-34页 |
·车牌的倾斜校正 | 第25-27页 |
·Hough变换 | 第25-26页 |
·Radon变换 | 第26-27页 |
·倾斜度校正 | 第27页 |
·车牌边框的去除 | 第27-28页 |
·数学形态学处理 | 第28-30页 |
·数学形态学概述 | 第28页 |
·数学形态学基本运算 | 第28-29页 |
·基于数学形态学的车牌处理 | 第29-30页 |
·字符分割与提取 | 第30-33页 |
·字符分割总体思想 | 第30-31页 |
·基于投影法的字符分割 | 第31-32页 |
·字符标准化 | 第32-33页 |
·本章小结 | 第33-34页 |
第4章 基于 BP神经网络的字符识别 | 第34-48页 |
·字符识别的几种方法 | 第34-35页 |
·基于模板匹配的字符识别算法 | 第34页 |
·基于特征匹配的字符识别算法 | 第34页 |
·基于神经网络的字符识别算法 | 第34-35页 |
·神经网络结构 | 第35-40页 |
·神经网络理论概述 | 第35页 |
·人工神经元模型 | 第35-36页 |
·多层前馈网络 | 第36页 |
·误差反向传播算法 | 第36-40页 |
·基于神经网络的车牌字符识别 | 第40-44页 |
·字符识别算法流程 | 第40页 |
·字符特征提取 | 第40-43页 |
·字符特征提取的基本方法 | 第41页 |
·字符特征提取原则 | 第41-42页 |
·本文采用的字符特征提取方法 | 第42-43页 |
·BP 网络的结构设计 | 第43-44页 |
·输入层神经元个数 | 第43页 |
·隐藏层层数 | 第43页 |
·隐藏层神经元个数 | 第43-44页 |
·输出层神经元个数 | 第44页 |
·激活函数的选择 | 第44页 |
·BP网络的训练 | 第44-45页 |
·实验结果与分析 | 第45-47页 |
·实验结果 | 第45-47页 |
·实验结果分析 | 第47页 |
·本章小结 | 第47-48页 |
第5章 基于 D—S 证据理论的车型识别 | 第48-59页 |
·车辆目标的检测 | 第48-49页 |
·运动目标检测方法概述 | 第48-49页 |
·基于减背景法的目标检测方法 | 第49页 |
·背景的获取与更新 | 第49-51页 |
·背景的生成方法 | 第49-50页 |
·背景的获取与更新 | 第50-51页 |
·二值化图像 | 第51页 |
·形态学处理 | 第51-52页 |
·摄像机参数标定 | 第52-54页 |
·基于 D—S 证据理论的车型识别 | 第54-56页 |
·D—S 证据理论基础 | 第55页 |
·基于 D—S 证据理论的车型识别 | 第55-56页 |
·基本概率赋值 | 第55-56页 |
·D—S 组合规则 | 第56页 |
·目标判定准则 | 第56页 |
·实验结果与分析 | 第56-58页 |
·实验结果 | 第56-57页 |
·实验结果分析 | 第57-58页 |
·本章小结 | 第58-59页 |
结论与展望 | 第59-61页 |
参考文献 | 第61-64页 |
致谢 | 第64-65页 |
附录 A (攻读学位期间所发表的学术论文目录) | 第65页 |