复杂背景下多车牌识别算法的研究与软件系统实
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-15页 |
| 第1章 绪论 | 第15-23页 |
| ·选题背景及意义 | 第15-16页 |
| ·国内外研究现状 | 第16-19页 |
| ·国外研究状况 | 第16-18页 |
| ·国内研究状况 | 第18-19页 |
| ·论文主要研究内容 | 第19-20页 |
| ·论文结构 | 第20-23页 |
| 第2章 相关理论基础 | 第23-33页 |
| ·区域特征矩描述符 | 第23-26页 |
| ·基本原理 | 第24-25页 |
| ·区域矩描述符 | 第25-26页 |
| ·图像分割 | 第26-29页 |
| ·基于图像强度的分割 | 第27-28页 |
| ·基于图像投影的分割 | 第28-29页 |
| ·支持向量机 | 第29-31页 |
| ·BP神经网络 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 多车牌定位 | 第33-43页 |
| ·车牌粗定位 | 第33-37页 |
| ·基于多区域矩融合的车牌精确定位 | 第37-42页 |
| ·四种特征描述符的对比分析 | 第37-40页 |
| ·多区域矩融合算法 | 第40-41页 |
| ·车牌精确定位流程 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 车牌字符分割 | 第43-51页 |
| ·车牌旋转倾斜矫正 | 第44-46页 |
| ·基于车牌垂直投影的浮动峰谷字符分割算法 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 第5章 车牌字符识别 | 第51-61页 |
| ·神经网络性能分析对比 | 第51-59页 |
| ·BP神经网络的构建 | 第51-52页 |
| ·自适应学习率BP算法 | 第52-53页 |
| ·实验分析与结论 | 第53-59页 |
| ·基于改进的BP网络的车牌字符识别 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第6章 多车牌识别软件系统分析设计与实现 | 第61-73页 |
| ·多车牌识别系统的需求分析 | 第61-63页 |
| ·功能需求分析 | 第61-62页 |
| ·性能需求分析 | 第62-63页 |
| ·多车牌识别系统的系统结构 | 第63-65页 |
| ·硬件系统 | 第63页 |
| ·软件系统 | 第63-65页 |
| ·多车牌识别模块的设计 | 第65-66页 |
| ·多车牌识别软件系统的实现 | 第66-71页 |
| ·Open CV简介 | 第66-68页 |
| ·实验环境 | 第68页 |
| ·系统整体实现与测试 | 第68-71页 |
| ·本章小结 | 第71-73页 |
| 第7章 基于视频流数据的关键帧提取与优化 | 第73-77页 |
| ·视频帧采样频率优化 | 第74-75页 |
| ·基于单帧图像的优化 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第8章 总结与展望 | 第77-79页 |
| ·总结 | 第77-78页 |
| ·展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士期间发表论文 | 第87页 |
