| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 车牌识别系统的研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 我国机动车牌照标准与基本特征 | 第12-13页 |
| 1.4 本文主要研究内容与结构安排 | 第13-15页 |
| 第二章 车牌图像前期预处理 | 第15-23页 |
| 2.1 车牌图像的灰度化 | 第15-16页 |
| 2.2 车牌图像的平滑滤波 | 第16-18页 |
| 2.3 车牌图像的二值化 | 第18-19页 |
| 2.4 几种常见的边缘检测算子 | 第19-21页 |
| 2.5 图像形态学处理 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 车牌区域定位相关算法的研究 | 第23-34页 |
| 3.1 常用的车牌定位算法 | 第23-24页 |
| 3.2 基于车牌纹理特征的粗定位 | 第24-26页 |
| 3.2.1 车牌定位的主要实现方法 | 第24页 |
| 3.2.2 水平方向的车牌粗定位 | 第24-25页 |
| 3.2.3 垂直方向的车牌粗定位 | 第25页 |
| 3.2.4 连通性提取实现车牌粗定位 | 第25-26页 |
| 3.3 基于HSV颜色空间的精确定位 | 第26-29页 |
| 3.3.1 RGB颜色模型 | 第26-27页 |
| 3.3.2 HSV颜色模型 | 第27页 |
| 3.3.3 RGB到HSV彩色空间的转换 | 第27-28页 |
| 3.3.4 车牌颜色在HSV空间中的阈值 | 第28-29页 |
| 3.3.5 车牌边界的确定 | 第29页 |
| 3.4 定位流程与实验结果分析 | 第29-33页 |
| 3.4.1 定位主要流程 | 第29-30页 |
| 3.4.2 仿真结果与分析 | 第30-31页 |
| 3.4.3 几种定位算法的比较 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 车牌字符分割相关算法的研究 | 第34-45页 |
| 4.1 车牌字符分割的预处理 | 第34-37页 |
| 4.1.1 车牌的倾斜矫正 | 第34-36页 |
| 4.1.2 上下边框及铆钉的去除 | 第36-37页 |
| 4.2 常用的车牌字符切分算法 | 第37-38页 |
| 4.3 改进的8连通域标记矫正实现字符粗分割 | 第38-41页 |
| 4.3.1 改进的8连通域的标记矫正过程 | 第38-40页 |
| 4.3.2 待细处理连通域的确定 | 第40-41页 |
| 4.4 垂直投影法实现字符的细分割 | 第41页 |
| 4.5 自适应区域合并 | 第41-42页 |
| 4.6 字符分割流程与仿真结果分析 | 第42-43页 |
| 4.6.1 字符切分主要流程 | 第42页 |
| 4.6.2 传统连通域与本文算法比较 | 第42-43页 |
| 4.6.3 几种分割算法的比较 | 第43页 |
| 4.7 本章小结 | 第43-45页 |
| 第五章 字符的特征提取与基于BP神经网络的识别 | 第45-59页 |
| 5.1 车牌字符的归一化 | 第45-46页 |
| 5.2 字符的特征提取 | 第46-48页 |
| 5.2.1 常用的特征提取方法 | 第46页 |
| 5.2.2 基于PCA的汉字字符特征提取 | 第46-48页 |
| 5.2.3 基于粗网格的字母和数字特征提取 | 第48页 |
| 5.3 常用的字符识别算法 | 第48-49页 |
| 5.4 BP神经网络 | 第49-52页 |
| 5.4.1 BP神经网络的特点 | 第49-50页 |
| 5.4.2 BP神经网络的学习算法 | 第50-52页 |
| 5.5 BP网络的改进与结构设计 | 第52-56页 |
| 5.5.1 BP算法的改进 | 第52-53页 |
| 5.5.2 BP神经网络的结构设计 | 第53-54页 |
| 5.5.3 输入层与输出层神经元个数的确定 | 第54页 |
| 5.5.4 隐含层层数以及节点数目的确定 | 第54页 |
| 5.5.5 激活函数、初始权值的选取及相关参数的设定 | 第54-56页 |
| 5.6 实验结果与分析 | 第56-58页 |
| 5.7 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 发表文章目录 | 第64-65页 |
| 致谢 | 第65-66页 |