| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 复杂背景下车牌识别技术难点 | 第10-11页 |
| 1.4 本文的主要研究内容和结构安排 | 第11-12页 |
| 第二章 复杂背景下的模糊车牌图像复原算法研究 | 第12-23页 |
| 2.1 常用图像增强算法研究 | 第12-16页 |
| 2.1.1 直方图均衡算法 | 第12-13页 |
| 2.1.2 中值滤波算法 | 第13页 |
| 2.1.3 暗通道先验算法 | 第13-15页 |
| 2.1.4 Retinex算法 | 第15-16页 |
| 2.2 改进的多尺度Retinex图像增强算法 | 第16-18页 |
| 2.3 算法效果测试与分析 | 第18-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 车牌图像定位与识别算法研究 | 第23-50页 |
| 3.1 车牌图像预处理 | 第23-25页 |
| 3.1.1 图像灰度化 | 第23-24页 |
| 3.1.2 图像二值化 | 第24-25页 |
| 3.1.3 图像滤波 | 第25页 |
| 3.2 车牌图像定位算法研究 | 第25-27页 |
| 3.2.1 车牌特征介绍 | 第25-26页 |
| 3.2.2 车牌定位常用方法研究 | 第26-27页 |
| 3.3 Adaboost算法的理论研究 | 第27-37页 |
| 3.3.1 车牌区域特征提取 | 第28-32页 |
| 3.3.2 基于Adaboost算法的车牌定位过程 | 第32-37页 |
| 3.4 车牌字符识别算法研究 | 第37-44页 |
| 3.4.1 字符分割算法介绍 | 第38-39页 |
| 3.4.2 常用的字符识别算法 | 第39页 |
| 3.4.3 BP神经网络算法对字符识别的实现 | 第39-44页 |
| 3.5 实验结果与分析 | 第44-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 嵌入式车牌识别系统的实现方法 | 第50-73页 |
| 4.1 嵌入式系统的集成电路硬件性能介绍 | 第50-56页 |
| 4.2 Linux嵌入式操作系统 | 第56-57页 |
| 4.3 开发环境平台的介绍和搭建 | 第57-58页 |
| 4.4 安装并配置Fedora9.0 | 第58-59页 |
| 4.4.1 安装Fedora9.0 | 第58页 |
| 4.4.2 实现与WINDOWS文件共享 | 第58页 |
| 4.4.3 建立交叉编译环境 | 第58-59页 |
| 4.5 Boot Loader的编译与移植 | 第59-60页 |
| 4.6 安装Linux系统到开发板 | 第60-63页 |
| 4.7 OpenCV2.2的安装和配置 | 第63-66页 |
| 4.7.1 OpenCV2.2的介绍 | 第63-64页 |
| 4.7.2 OpenCV2.2的编译安装 | 第64-66页 |
| 4.8 系统测试与结果分析 | 第66-71页 |
| 4.8.1 模糊车牌图像的增强 | 第66-69页 |
| 4.8.2 车牌定位模块 | 第69-70页 |
| 4.8.3 车牌字符识别模块 | 第70-71页 |
| 4.9 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-76页 |
| 5.1 总结 | 第73-74页 |
| 5.2 展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |