| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 第二章 车牌检测算法研究 | 第17-39页 |
| 2.1 车牌预处理 | 第18-23页 |
| 2.1.1 我国车牌特点 | 第18-19页 |
| 2.1.2 基于HSV颜色模型的预处理 | 第19-21页 |
| 2.1.3 去噪和灰度化预处理 | 第21-23页 |
| 2.2 基于灰度图像车牌检测的处理 | 第23-28页 |
| 2.2.1 边缘检测 | 第23-25页 |
| 2.2.2 阈值化处理 | 第25-28页 |
| 2.3 形态学处理 | 第28-31页 |
| 2.4 车牌区域检测和验证 | 第31-35页 |
| 2.4.1 车牌区域检测 | 第31-34页 |
| 2.4.2 尺寸验证 | 第34页 |
| 2.4.3 canny验证 | 第34-35页 |
| 2.5 车牌倾斜校正 | 第35-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 车牌定位算法研究 | 第39-52页 |
| 3.1 支持向量机理论基础 | 第39-45页 |
| 3.1.1 可分情况的线性支持向量机 | 第40-42页 |
| 3.1.2 不可分情况的线性支持向量机 | 第42-43页 |
| 3.1.3 非线性支持向量机 | 第43-44页 |
| 3.1.4 核函数 | 第44-45页 |
| 3.2 车牌特征提取 | 第45-48页 |
| 3.3 车牌定位模型训练 | 第48-50页 |
| 3.3.1 获取样本数据 | 第48-49页 |
| 3.3.2 基于OpenCV的模型训练 | 第49-50页 |
| 3.4 模型测试结果 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 车牌字符识别算法研究 | 第52-72页 |
| 4.1 神经网络基本内容 | 第53-60页 |
| 4.1.1 人工神经网络 | 第53-54页 |
| 4.1.2 BP神经网络原理 | 第54-57页 |
| 4.1.3 BP算法的缺陷和改进 | 第57-58页 |
| 4.1.4 弹性BP神经网络及其在OpenCV中的实现 | 第58-60页 |
| 4.2 车牌字符分割算法 | 第60-63页 |
| 4.3 字符识别模型 | 第63-69页 |
| 4.3.1 汉字识别模型 | 第63-66页 |
| 4.3.2 字母识别模型 | 第66-67页 |
| 4.3.3 字母数字识别模型 | 第67-68页 |
| 4.3.4 相似字符识别模型 | 第68-69页 |
| 4.4 多线程实现字符识别并行化 | 第69-70页 |
| 4.5 实验结果与分析 | 第70-71页 |
| 4.6 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79页 |