| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 车牌识别现状 | 第11-12页 |
| 1.3 主要工作 | 第12-14页 |
| 1.4 本文结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 图像预处理与阴影消除 | 第16-25页 |
| 2.1 滤波器 | 第16-18页 |
| 2.1.1 中值滤波器 | 第16-17页 |
| 2.1.2 同态滤波器 | 第17-18页 |
| 2.2 二值化方法 | 第18-22页 |
| 2.2.1 常见的二值化方法 | 第18-21页 |
| 2.2.2 Bernsen 算法及阴影消除 | 第21-22页 |
| 2.3 图像的增强 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 特征提取和分类器选择 | 第25-40页 |
| 3.1 常用特征提取方法研究 | 第25-31页 |
| 3.1.1 SIFT 特征 | 第25-27页 |
| 3.1.2 Haar 特征及积分图 | 第27-30页 |
| 3.1.3 HOG 特征 | 第30-31页 |
| 3.2 分类器的基本原理及选择 | 第31-38页 |
| 3.2.1 神经元网络 | 第31-33页 |
| 3.2.2 支持向量机 | 第33-37页 |
| 3.2.3 AdBoost 分类器 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 基于机器学习的车牌的定位 | 第40-54页 |
| 4.1 常见的车牌定位方法 | 第40-43页 |
| 4.1.1 纹理方法 | 第40-41页 |
| 4.1.2 投影方法 | 第41-43页 |
| 4.1.3 区域增长方法 | 第43页 |
| 4.2 基于机器学习的识别方法 | 第43-46页 |
| 4.2.1 基于 AdaBoost 和 Haar 特征结合的算法 | 第43-45页 |
| 4.2.2 基于 SVM 和 HOG 结合的识别算法 | 第45-46页 |
| 4.3 基于机器学习和图像处理结合的车牌定位方法 | 第46-49页 |
| 4.3.1 AdaBoost 与 HOG 结合的车牌初定位 | 第47-48页 |
| 4.3.2 车牌区域验证 | 第48-49页 |
| 4.4 定位准确性和计算效率分析 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 车牌倾斜校正与字符分割 | 第54-62页 |
| 5.1 车牌倾斜校正 | 第54-57页 |
| 5.1.1 基于旋转图像水平投影的方法 | 第54页 |
| 5.1.2 基于选择联通域的中心连线方法 | 第54-55页 |
| 5.1.3 HOUGH 变换 | 第55-56页 |
| 5.1.4 图像旋转 | 第56-57页 |
| 5.2 车牌字符分割 | 第57-59页 |
| 5.2.1 水平方向的切分 | 第57-58页 |
| 5.2.2 垂直方向的切分 | 第58-59页 |
| 5.3 基于 Adaboost 和 HOG 结合的字符分割方法 | 第59-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 车牌字符识别 | 第62-74页 |
| 6.1 字符识别预处理 | 第62页 |
| 6.2 字符识别特征提取方法 | 第62-69页 |
| 6.2.1 密度特征 | 第62-63页 |
| 6.2.2 方向特征 | 第63-65页 |
| 6.2.3 穿透特征 | 第65-66页 |
| 6.2.4 基于外围网格的特征提取方法 | 第66-69页 |
| 6.3 并行支持向量机的加权算法 | 第69-70页 |
| 6.4 实验结果 | 第70-73页 |
| 6.5 本章小结 | 第73-74页 |
| 第七章 总结与展望 | 第74-77页 |
| 7.1 总结 | 第74-75页 |
| 7.2 展望 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士学位期间已发表或录用的论文 | 第80-81页 |
| 致谢 | 第81-83页 |
