基于图像处理的机车车号自动采集识别系统的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.2.3 国内外研究现状综述 | 第17页 |
| 1.3 我国机车车号特点及识别面临的挑战 | 第17-20页 |
| 1.4 本文主要研究内容及创新点 | 第20-21页 |
| 1.5 章节安排 | 第21-23页 |
| 第二章 基于卷积神经网络的机车车型分类 | 第23-38页 |
| 2.1 引言 | 第23页 |
| 2.2 神经元模型 | 第23-24页 |
| 2.3 卷积神经网络的结构特点 | 第24-27页 |
| 2.3.1 局部感知 | 第24-25页 |
| 2.3.2 权值共享 | 第25-26页 |
| 2.3.3 多核卷积与池化 | 第26-27页 |
| 2.3.4 全连接 | 第27页 |
| 2.4 卷积神经网络的训练 | 第27-32页 |
| 2.4.1 反向传播算法 | 第27-30页 |
| 2.4.2 随机梯度下降算法 | 第30-31页 |
| 2.4.3 Softmax分类器 | 第31-32页 |
| 2.5 机车车型分类实验 | 第32-37页 |
| 2.5.1 数据集信息 | 第32-33页 |
| 2.5.2 卷积神经网络结构和参数的设计 | 第33-35页 |
| 2.5.3 分类性能与迭代次数的关系 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 车号定位 | 第38-52页 |
| 3.1 引言 | 第38-39页 |
| 3.2 常用车号定位方法 | 第39-40页 |
| 3.3 车号图像预处理 | 第40-43页 |
| 3.3.1 获取感兴趣区域 | 第40-41页 |
| 3.3.2 车号图像灰度化 | 第41-43页 |
| 3.4 车号图像二值化 | 第43-49页 |
| 3.4.1 迭代最优算法 | 第43-44页 |
| 3.4.2 Otsu方法 | 第44-45页 |
| 3.4.3 Kittler法 | 第45-46页 |
| 3.4.4 本文采用的二值化方法 | 第46-49页 |
| 3.5 车号定位 | 第49-51页 |
| 3.5.1 膨胀操作 | 第49-50页 |
| 3.5.2 腐蚀操作 | 第50页 |
| 3.5.3 开闭操作 | 第50页 |
| 3.5.4 定位实验结果 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 基于SVM的机车车号字符识别 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 车号字符分割 | 第52-55页 |
| 4.2.1 常用的字符分割算法 | 第52-53页 |
| 4.2.2 本文的字符分割算法 | 第53页 |
| 4.2.3 字符分割实验 | 第53-55页 |
| 4.3 常用的字符识别算法综述 | 第55-56页 |
| 4.4 支持向量机简介 | 第56-60页 |
| 4.4.1 线性可分问题 | 第56-58页 |
| 4.4.2 线性不可分问题 | 第58-60页 |
| 4.5 基于支持向量机的车号字符识别 | 第60-63页 |
| 4.5.1 字符归一化处理 | 第60页 |
| 4.5.2 车号字符分类器训练 | 第60-62页 |
| 4.5.3 字符识别结果的校正 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 基于图像处理的机车车号自动采集识别系统 | 第64-72页 |
| 5.1 引言 | 第64页 |
| 5.2 基于RFID技术的车号识别系统概述 | 第64-65页 |
| 5.3 本文车号自动采集识别系统 | 第65-71页 |
| 5.3.1 系统主要功能 | 第65页 |
| 5.3.2 机车车号图像采集系统 | 第65-68页 |
| 5.3.3 机车车号图像处理系统 | 第68-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 在学期间的研究成果及发表的学术论文 | 第79页 |
