| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题的研究背景及意义 | 第9-10页 |
| ·车牌识别系统的组成 | 第10-11页 |
| ·车牌识别技术研究发展现状 | 第11-14页 |
| ·车牌定位技术的发展现状 | 第11-13页 |
| ·车牌字符分割技术的发展现状 | 第13-14页 |
| ·车牌字符识别技术的发展现状 | 第14页 |
| ·车牌识别技术的难点及有待解决的问题 | 第14-15页 |
| ·本文的主要内容 | 第15-16页 |
| ·本文的组织结构 | 第16-17页 |
| 第二章 车牌颜色特征 | 第17-26页 |
| ·颜色视觉 | 第17页 |
| ·颜色空间 | 第17-21页 |
| ·RGB 颜色模型 | 第18-19页 |
| ·HSI 颜色模型 | 第19-21页 |
| ·YCbCr 颜色模型 | 第21页 |
| ·车牌特征 | 第21-26页 |
| ·基于灰度信息的特征 | 第21-22页 |
| ·基于颜色信息的特征 | 第22-26页 |
| 第三章 基于DOG 模型和颜色聚类的车牌定位 | 第26-44页 |
| ·车牌预处理 | 第27页 |
| ·车牌字符边缘区域检测 | 第27-32页 |
| ·DOG 的理论分析 | 第27-28页 |
| ·字符边缘区域检测 | 第28-31页 |
| ·噪声点去除 | 第31-32页 |
| ·基于几何和结构特征的车牌粗定位 | 第32-35页 |
| ·数学形态学运算 | 第32-33页 |
| ·基于形态学的候选区域选取 | 第33-34页 |
| ·基于几何和结构特征的候选区域筛选 | 第34-35页 |
| ·基于字符及笔画特征的精定位 | 第35-36页 |
| ·基于K-means 颜色聚类的车牌精定位 | 第36-39页 |
| ·K-means 算法 | 第36-37页 |
| ·候选区域的颜色聚类 | 第37-38页 |
| ·车牌的精确定位 | 第38-39页 |
| ·实验结果与分析 | 第39-42页 |
| ·本章小结 | 第42-44页 |
| 第四章 基于颜色聚类与神经网络的车牌类型识别 | 第44-56页 |
| ·车牌倾斜校正 | 第45-46页 |
| ·基于颜色聚类的有效区域提取 | 第46-49页 |
| ·粗分类 | 第46-47页 |
| ·有效区域提取 | 第47-49页 |
| ·基于K-means 的颜色特征提取 | 第49页 |
| ·基于BP 神经网络的车牌类型识别 | 第49-52页 |
| ·神经网络概述 | 第49-50页 |
| ·BP 神经网络 | 第50页 |
| ·BP 神经网络的结构设计 | 第50-52页 |
| ·BP 神经网络车牌类型识别 | 第52页 |
| ·实验结果与分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于YCbCr 空间特性的特殊字符粗分类算法 | 第56-62页 |
| ·特殊字符识别过程 | 第56-60页 |
| ·差分二值化图像 | 第57-58页 |
| ·识别判断 | 第58-60页 |
| ·实验结果与分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·研究工作总结 | 第62页 |
| ·研究工作展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士期间公开发表的论文 | 第70页 |