基于支持向量机（SVM）的车牌识别算法研究
| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 车牌定位研究现状 | 第10-11页 |
| 1.2.2 字符分割研究现状 | 第11页 |
| 1.2.3 字符识别研究现状 | 第11-12页 |
| 1.3 论文的内容安排 | 第12-14页 |
| 第2章 车牌定位及字符分割 | 第14-30页 |
| 2.1 图像预处理 | 第14-17页 |
| 2.1.1 车牌图像灰度化 | 第14-15页 |
| 2.1.2 顶帽变换（top-hat） | 第15-17页 |
| 2.1.3 图像二值化 | 第17页 |
| 2.2 边沿检测 | 第17-20页 |
| 2.3 数学形态学分析 | 第20-22页 |
| 2.3.1 腐蚀与膨胀 | 第20-21页 |
| 2.3.2 开运算和闭运算 | 第21-22页 |
| 2.4 车牌定位 | 第22-28页 |
| 2.4.1 结构元素选取 | 第22-24页 |
| 2.4.2 区域标记 | 第24-25页 |
| 2.4.3 车牌精细定位 | 第25-28页 |
| 2.5 车牌字符分割 | 第28-29页 |
| 2.5.1 车牌结构特点 | 第28页 |
| 2.5.2 利用投影法分割字符 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 支持向量机（SVM）理论 | 第30-47页 |
| 3.1 机器学习的基本问题 | 第30-32页 |
| 3.1.1 经验风险 | 第30-31页 |
| 3.1.2 复杂性与推广性 | 第31-32页 |
| 3.2 统计学习的主要理论 | 第32-36页 |
| 3.2.1 函数集的VC维 | 第32-33页 |
| 3.2.2 推广性的界 | 第33-34页 |
| 3.2.3 结构风险最小化（SRM） | 第34-36页 |
| 3.3 支持向量机 | 第36-43页 |
| 3.3.1 线性支持向量机 | 第36-39页 |
| 3.3.2 广义线性支持向量机 | 第39-41页 |
| 3.3.3 非线性支持向量机 | 第41-43页 |
| 3.3.4 核函数 | 第43页 |
| 3.4 SVM多分类识别方法 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于SVM车牌识别算法实现 | 第47-59页 |
| 4.1 核相似归并SVM算法思想 | 第47-49页 |
| 4.2 核相似归并构建二叉树 | 第49-51页 |
| 4.3 车牌字符识别算法实现 | 第51-54页 |
| 4.4 基于核相似归并的SVM车牌识别系统 | 第54-58页 |
| 4.4.1 环境及开发平台 | 第54页 |
| 4.4.2 车牌识别系统实现及结果分析 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |
