| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 车牌定位方法的研究现状 | 第9-10页 |
| 1.3 本文的结构安排 | 第10-12页 |
| 2 自然场景中的车牌定位方法 | 第12-22页 |
| 2.1 基于视觉特征的车牌定位方法 | 第12-17页 |
| 2.1.1 基于低级视觉特征的车牌定位方法 | 第12-15页 |
| 2.1.2 基于中级视觉特征的车牌定位方法 | 第15-17页 |
| 2.2 基于机器学习的车牌定位方法 | 第17-19页 |
| 2.2.1 基于人工神经网络的定位方法 | 第17-18页 |
| 2.2.2 基于AdaBoost的车牌定位方法 | 第18-19页 |
| 2.3 现有车牌定位方法的不足 | 第19-20页 |
| 2.4 本文的车牌定位方法 | 第20页 |
| 2.4.1 光照鲁棒的车牌定位方法 | 第20页 |
| 2.4.2 几何偏转鲁棒的车牌定位方法 | 第20页 |
| 2.5 本章小结 | 第20-22页 |
| 3 光照鲁棒的车牌定位方法 | 第22-38页 |
| 3.1 尺度不变特征变换(SIFT)算法 | 第23-27页 |
| 3.2 基于改进的SIFT的车牌定位算法 | 第27-33页 |
| 3.2.1 改进的SIFT匹配算法 | 第27-28页 |
| 3.2.2 车牌图像特征点匹配 | 第28-30页 |
| 3.2.3 匹配点筛选 | 第30-32页 |
| 3.2.4 利用透视变换完成车牌定位 | 第32-33页 |
| 3.3 实验结果与分析 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 几何偏转鲁棒的车牌定位方法 | 第38-58页 |
| 4.1 提取候选车牌区域 | 第39-50页 |
| 4.1.1 基于边缘特征和MSER的候选车牌区域提取 | 第39-47页 |
| 4.1.2 基于颜色特征的候选车牌区域提取 | 第47-50页 |
| 4.2 基于SVM的车牌判定 | 第50-53页 |
| 4.2.1 SVM理论介绍 | 第50-52页 |
| 4.2.2 SVM训练 | 第52-53页 |
| 4.2.3 车牌判定 | 第53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间科研成果 | 第66页 |