| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景与研究意义 | 第10-13页 |
| 1.1.1 智能交通与车牌识别 | 第10-11页 |
| 1.1.2 车牌识别存在的困难 | 第11-12页 |
| 1.1.3 国内外相关研究状况 | 第12-13页 |
| 1.2 本文的主要工作与研究内容 | 第13-14页 |
| 1.3 本文的组织结构 | 第14-15页 |
| 第二章 基于二值图像快速矩化的车牌定位算法 | 第15-35页 |
| 2.1 常用的车牌定位与字符分割算法 | 第15-17页 |
| 2.2 本文采用的实验图片特点 | 第17-18页 |
| 2.2.1 车身照片的特点 | 第17页 |
| 2.2.2 我国车牌的特点 | 第17-18页 |
| 2.3 基于二值图像快速矩化的车牌定位过程 | 第18-28页 |
| 2.3.1 车身图像预处理 | 第18-23页 |
| 2.3.2 定位候选车牌区域 | 第23-27页 |
| 2.3.3 车牌定位 | 第27-28页 |
| 2.4 改进的车牌字符分割过程 | 第28-35页 |
| 2.4.1 车牌图像预处理 | 第29-31页 |
| 2.4.2 改进的字符分割算法 | 第31-34页 |
| 2.4.3 图像归一化方法 | 第34-35页 |
| 第三章 基于神经网络的字符识别算法 | 第35-46页 |
| 3.1 常用的字符识别算法 | 第36-37页 |
| 3.2 特征值提取方法 | 第37-41页 |
| 3.2.1 十三特征值和轮廓特征提取方法 | 第38-40页 |
| 3.2.2 粗网格特征和投影特征提取方法 | 第40页 |
| 3.2.3 易混淆字符集特征提取方法 | 第40-41页 |
| 3.3 基于神经网络的车牌字符识别算法 | 第41-46页 |
| 3.3.1 神经网络分类算法概述 | 第41-42页 |
| 3.3.2 本文神经网络的设计 | 第42-43页 |
| 3.3.3 BP神经网络的训练 | 第43-45页 |
| 3.3.4 BP神经网络算法收敛速度的改进与优化 | 第45-46页 |
| 第四章 实验结果与分析 | 第46-57页 |
| 4.1 图像抓取设备简介 | 第46页 |
| 4.2 基于MFC框架的车牌识别系统 | 第46-49页 |
| 4.3 本文使用的训练集、测试集 | 第49-51页 |
| 4.4 本文车牌识别结果与分析 | 第51-57页 |
| 4.4.1 车牌定位实验结果与分析 | 第51-52页 |
| 4.4.2 字符分割实验结果与分析 | 第52-53页 |
| 4.4.3 字符特征值提取方案选取结果与分析 | 第53-54页 |
| 4.4.4 数字与英文字符神经网络结构参数的选择 | 第54-55页 |
| 4.4.5 含有易混淆字符判别神经网络实验结果与分析 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 全文总结 | 第57页 |
| 5.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61页 |