摘要 | 第7-9页 |
Abstract | 第9-10页 |
第1章 绪论 | 第14-20页 |
1.1 课题研究背景及意义 | 第14-16页 |
1.1.1 车牌识别研究的背景 | 第14-15页 |
1.1.2 车牌识别研究的意义 | 第15-16页 |
1.2 国内外研究现状 | 第16-18页 |
1.2.1 国外现状 | 第16-17页 |
1.2.2 国内现状 | 第17-18页 |
1.3 论文的研究内容及结构安排 | 第18-19页 |
1.4 本章小结 | 第19-20页 |
第2章 改进的Retinex图像增强算法 | 第20-30页 |
2.1 图像增强研究的意义 | 第20-21页 |
2.2 Retinex理论基础 | 第21-22页 |
2.2.1 Retinex理论的发展背景 | 第21页 |
2.2.2 Retinex理论的数学模型 | 第21-22页 |
2.3 传统的Retinex算法对图像的增强 | 第22-25页 |
2.3.1 单尺度Retinex算法 | 第22-23页 |
2.3.2 多尺度Retinex算法 | 第23-24页 |
2.3.3 带彩色恢复多尺度Retinex算法 | 第24-25页 |
2.4 改进的Retinex算法对图像的增强 | 第25-26页 |
2.5 特殊环境下车牌图像增强仿真结果分析 | 第26-29页 |
2.5.1 雾霾环境下的车牌图像增强仿真结果 | 第26-28页 |
2.5.2 傍晚环境下拍摄的车牌图像处理 | 第28-29页 |
2.6 本章小结 | 第29-30页 |
第3章 引导滤波与改进Retinex算法的图像增强 | 第30-42页 |
3.1 研究背景 | 第30页 |
3.2 双边滤波与改进的Retinex算法的图像增强 | 第30-34页 |
3.2.1 幂函数 | 第31页 |
3.2.2 双边滤波函数 | 第31-32页 |
3.2.3 三重边缘保持特性 | 第32-33页 |
3.2.4 双边滤波与Retinex算法对应的效果图 | 第33-34页 |
3.3 引导滤波与改进的Retinex算法的图像增强 | 第34-39页 |
3.3.1 引导滤波理论基础 | 第34-36页 |
3.3.2 引导滤波的边缘保持特性 | 第36-37页 |
3.3.3 引导滤波器的时间复杂度 | 第37-39页 |
3.3.4 引导滤波与改进的Retinex算法处理的效果图 | 第39页 |
3.4 本文算法与双边滤波和改进的Retinex算法结合效果比较 | 第39-40页 |
3.5 本章小结 | 第40-42页 |
第4章 基于小波模极大值法的灰度跳变车牌定位 | 第42-57页 |
4.1 我国小轿车车牌的特征 | 第42页 |
4.2 常用的车牌定位方法 | 第42-44页 |
4.2.1 基于灰度图像的车牌定位方法 | 第43-44页 |
4.2.2 基于彩色图像的车牌定位方法 | 第44页 |
4.3 基于Adaboost算法的车牌定位方法 | 第44-51页 |
4.3.1 Adaboost算法的理论分析 | 第44-45页 |
4.3.2 Adaboost算法的车牌定位训练过程 | 第45-48页 |
4.3.3 基于Adaboost算法的车牌定位过程 | 第48-51页 |
4.4 基于小波模极大值法的灰度跳变车牌定位 | 第51-56页 |
4.4.1 小波模极大值法算法原理 | 第51-53页 |
4.4.2 小波模极大值法实现流程 | 第53-54页 |
4.4.3 灰度跳变确定车牌候选区域 | 第54-55页 |
4.4.4 基于小波模极大值的灰度跳变车牌定位效果图 | 第55-56页 |
4.5 本章小结 | 第56-57页 |
第5章 基于BP神经网络的车牌字符识别系统 | 第57-67页 |
5.1 车牌字符识别系统介绍 | 第57-58页 |
5.2 BP神经网络原理 | 第58-62页 |
5.2.1 BP神经网络识别算法分析 | 第59-62页 |
5.2.2 基于BP神经网络的字符识别 | 第62页 |
5.3 基于BP神经网络的车牌字符识别仿真 | 第62-65页 |
5.3.1 车牌图像边缘增强 | 第63页 |
5.3.2 车牌图像定位 | 第63-64页 |
5.3.3 车牌图像的分割 | 第64-65页 |
5.3.4 车牌识别系统 | 第65页 |
5.4 本章小结 | 第65-67页 |
结论 | 第67-69页 |
参考文献 | 第69-74页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第74-75页 |
致谢 | 第75-76页 |