| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-16页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 车牌识别技术的研究现状 | 第12-13页 |
| 1.3 自然场景下车牌识别问题的难点 | 第13-14页 |
| 1.4 主要工作与章节安排 | 第14-16页 |
| 2 车牌图像预处理 | 第16-29页 |
| 2.1 车牌图像旋转校正 | 第16-20页 |
| 2.1.1 基于低秩矩阵恢复的校正方法 | 第18-20页 |
| 2.2 车牌图像灰度化 | 第20-22页 |
| 2.3 车牌图像二值化 | 第22-27页 |
| 2.3.1 常用二值化算法的分析比较 | 第22-24页 |
| 2.3.2 同态滤波处理 | 第24-26页 |
| 2.3.3 改进的niblack算法 | 第26-27页 |
| 2.4 二值化图像背景统一 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 车牌字符分割 | 第29-37页 |
| 3.1 常见的车牌分割算法 | 第29页 |
| 3.2 车牌的特点及形态特征 | 第29-30页 |
| 3.3 水平分割 | 第30-32页 |
| 3.4 基于模板校正及投影二分法结合的垂直分割 | 第32-34页 |
| 3.5 实验结果分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 字符识别 | 第37-63页 |
| 4.1 汉字识别 | 第38-49页 |
| 4.1.1 局部二值化算子 | 第39-40页 |
| 4.1.2 改进的局部二值化算子 | 第40-44页 |
| 4.1.3 HLBP特征提取 | 第44-45页 |
| 4.1.4 模板数据库的建立与识别方法 | 第45-48页 |
| 4.1.5 HLBP分块最优参数的选择 | 第48-49页 |
| 4.2 数字及字母识别 | 第49-61页 |
| 4.2.1 卷积神经网络 | 第49-51页 |
| 4.2.2 多尺度卷积神经网络 | 第51-53页 |
| 4.2.3 卷积神经网络的训练 | 第53-55页 |
| 4.2.4 基于Adaboost集成多尺度卷积神经网络的数字及字母分类器 | 第55-57页 |
| 4.2.5 实验结果分析 | 第57-61页 |
| 4.3 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第69页 |