| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 智能辅助驾驶技术研究背景 | 第11-12页 |
| 1.1.2 智能辅助驾驶技术研究意义 | 第12-13页 |
| 1.1.3 文字检测和识别技术研究意义 | 第13页 |
| 1.2 本课题研究的现状 | 第13-16页 |
| 1.2.1 路牌检测技术的研究现状 | 第13-14页 |
| 1.2.2 文字的检测和识别技术研究现状 | 第14-16页 |
| 1.3 论文主要工作和章节安排 | 第16-18页 |
| 1.3.1 论文的主要工作 | 第16-17页 |
| 1.3.2 论文的章节安排 | 第17-18页 |
| 第二章 行车视频中路牌的提取 | 第18-37页 |
| 2.1 视频关键帧的提取 | 第18-22页 |
| 2.1.1 基于镜头的视频关键帧提取 | 第18-19页 |
| 2.1.2 基于运动光流的关键帧提取 | 第19-20页 |
| 2.1.3 基于图像内容的关键帧提取 | 第20页 |
| 2.1.4 基于图像内容和镜头结合的方法 | 第20-22页 |
| 2.2 视频帧图像的预处理 | 第22-27页 |
| 2.2.1 图像的颜色空间转换 | 第22-23页 |
| 2.2.2 图像对比度增强 | 第23-25页 |
| 2.2.3 图像的尺度变换 | 第25-27页 |
| 2.3 基于颜色度量和MSERs的路牌区域提取 | 第27-31页 |
| 2.3.1 最大稳定极值区域MSERs | 第27-28页 |
| 2.3.2 本文的路牌提取算法 | 第28-31页 |
| 2.4 路牌图像去模糊 | 第31-34页 |
| 2.4.1 图像模糊的模型建立和复原 | 第32-34页 |
| 2.5 路牌提取PC端实验结果及对比分析 | 第34-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 路牌文字的提取 | 第37-46页 |
| 3.1 路牌的规范化 | 第37-40页 |
| 3.1.1 路牌边角的检测 | 第37-39页 |
| 3.1.2 路牌的仿射变换 | 第39-40页 |
| 3.2 路牌中文字区域的提取相关算法 | 第40-42页 |
| 3.2.1 基于边缘的方法 | 第41页 |
| 3.2.2 基于区域的方法 | 第41-42页 |
| 3.3 基于连通区域分析(CCA)和宽度统计的路牌文字提取 | 第42-45页 |
| 3.3.1 图像的灰度化 | 第42页 |
| 3.3.2 图像的二值化 | 第42-44页 |
| 3.3.3 本文中路牌文字提取算法 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 文字的识别 | 第46-61页 |
| 4.1 文字的特征提取 | 第46-51页 |
| 4.1.1 方向梯度直方图 | 第46-50页 |
| 4.1.2 文字 9-bins HOG特征提取 | 第50-51页 |
| 4.2 文字识别常用算法 | 第51-57页 |
| 4.2.1 模板匹配 | 第52页 |
| 4.2.2 人工神经网络ANN | 第52-53页 |
| 4.2.3 卷积神经网络CNN | 第53-54页 |
| 4.2.4 支持向量机SVM | 第54-57页 |
| 4.3 基于DAG-SVM的多类别分类器设计 | 第57-58页 |
| 4.4 算法在PC端的实验结果及对比分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 路牌文字识别系统在安卓端的实现 | 第61-72页 |
| 5.1 可行性分析 | 第61-63页 |
| 5.1.1 开源计算机视觉库（OpenCV） | 第62页 |
| 5.1.2 NDK开发机制 | 第62-63页 |
| 5.2 基于Android平台的系统实现 | 第63-69页 |
| 5.2.1 总体方案描述 | 第63-67页 |
| 5.2.2 软件界面设计 | 第67-69页 |
| 5.3 系统测试 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 本文工作的总结 | 第72-73页 |
| 6.2 系统待解决的问题 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附表 | 第80页 |