基于支持向量机的车牌识别系统的研究
| 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10-14页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究情况以及应用现状 | 第11-12页 |
| 1.3 主要流程 | 第12-13页 |
| 1.4 本文主要内容及结构 | 第13-14页 |
| 第二章 车牌图像的预处理 | 第14-24页 |
| 2.1 高斯滤波 | 第14-15页 |
| 2.2 图像灰度化 | 第15-17页 |
| 2.3 垂直边缘检测 | 第17-18页 |
| 2.4 二值化 | 第18-21页 |
| 2.4.1 常用的图像二值化方法 | 第19页 |
| 2.4.2 Otsu算法 | 第19-21页 |
| 2.5 形态学处理 | 第21-23页 |
| 2.5.1 腐蚀与膨胀 | 第21-22页 |
| 2.5.2 开运算与闭运算 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 车牌定位及支持向量机算法 | 第24-32页 |
| 3.1 现有的车牌定位方法 | 第24-25页 |
| 3.1.1 基于颜色特征的定位算法 | 第24页 |
| 3.1.2 基于纹理特征的定位方法 | 第24-25页 |
| 3.1.3 基于几何特征的定位算法 | 第25页 |
| 3.2 支持向量机 | 第25-29页 |
| 3.2.1 线性可分支持向量机 | 第26-27页 |
| 3.2.2 近似线性可分支持向量机 | 第27页 |
| 3.2.3 线性不可分支持向量机 | 第27-29页 |
| 3.3 基于SVM的车牌定位方法 | 第29-31页 |
| 3.3.1 车牌图像分割 | 第29-31页 |
| 3.3.2 SVM车牌定位 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 车牌字符分割算法 | 第32-36页 |
| 4.1 车牌结构特征 | 第32-33页 |
| 4.1.1 车牌的几何特征 | 第32页 |
| 4.1.2 车牌的轮廓特征 | 第32-33页 |
| 4.2 常用字符分割方法 | 第33-34页 |
| 4.2.1 投影字符分割法 | 第33页 |
| 4.2.2 聚类分析分割法 | 第33页 |
| 4.2.3 模板匹配分割法 | 第33-34页 |
| 4.2.4 人工神经网络分割法 | 第34页 |
| 4.3 基于先验知识的字符分割的字符分割 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 支持向量机的字符识别 | 第36-49页 |
| 5.1 常用车牌字符识别的方法 | 第36-37页 |
| 5.1.1 模板匹配方法 | 第36页 |
| 5.1.2 神经网络识别 | 第36页 |
| 5.1.3 统计模式识别 | 第36-37页 |
| 5.2 基于支持向量机的字符识别系统 | 第37-46页 |
| 5.2.1 字符特征提取 | 第38-39页 |
| 5.2.2 SVM分类器 | 第39-43页 |
| 5.2.3 改进的SVM决策树 | 第43-44页 |
| 5.2.4 核函数和参数的选取 | 第44-46页 |
| 5.3 实验结果及分析 | 第46-48页 |
| 5.3.1 实验平台 | 第46页 |
| 5.3.2 实验结果 | 第46-47页 |
| 5.3.3 误检率分析 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 发表文章目录 | 第55-56页 |
| 致谢 | 第56-57页 |
