车牌识别关键技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 车牌定位 | 第15-16页 |
| 1.2.2 字符分割 | 第16页 |
| 1.2.3 字符识别 | 第16-17页 |
| 1.3 本文工作 | 第17-19页 |
| 1.4 内容安排 | 第19-20页 |
| 第二章 车牌识别相关技术研究 | 第20-34页 |
| 2.1 车牌识别概述 | 第20-21页 |
| 2.2 图像预处理 | 第21-25页 |
| 2.2.1 图像灰度化 | 第21-22页 |
| 2.2.2 图像增强 | 第22-23页 |
| 2.2.3 图像平滑处理 | 第23-24页 |
| 2.2.4 图像二值化 | 第24-25页 |
| 2.3 车牌定位 | 第25-29页 |
| 2.3.1 基于MSER的定位算法 | 第25-28页 |
| 2.3.2 其它常见车牌定位算法 | 第28-29页 |
| 2.4 字符分割 | 第29-30页 |
| 2.5 字符识别 | 第30-33页 |
| 2.5.1 基于BP神经网络的识别算法 | 第30-32页 |
| 2.5.2 其它常见字符识别方法 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于极值区域的车牌定位与字符分割 | 第34-42页 |
| 3.1 极值区域树的构建 | 第34-35页 |
| 3.2 叶节点区域的筛选 | 第35-38页 |
| 3.2.1 面积特征 | 第36页 |
| 3.2.2 欧拉特征 | 第36-37页 |
| 3.2.3 纹理特征 | 第37-38页 |
| 3.3 算法设计 | 第38-39页 |
| 3.4 实验与结果分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于改进BP神经网络的字符识别 | 第42-56页 |
| 4.1 人工蜂群算法的改进 | 第42-47页 |
| 4.1.1 传统人工蜂群算法 | 第42-44页 |
| 4.1.2 基于“Z”型分组的子种群分组 | 第44页 |
| 4.1.3 基于对数函数的步长更新 | 第44-45页 |
| 4.1.4 基于狼群分配原则的种群淘汰 | 第45-47页 |
| 4.2 BP神经网络算法的优化 | 第47-48页 |
| 4.3 字符识别算法的设计 | 第48-49页 |
| 4.4 实验与结果分析 | 第49-53页 |
| 4.4.1 改进的人工蜂群算法仿真结果 | 第49-51页 |
| 4.4.2 改进的BP网络神经算法仿真结果 | 第51-52页 |
| 4.4.3 车牌字符识别实验与结果 | 第52-53页 |
| 4.5 本章小结 | 第53-56页 |
| 第五章 结束语 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-66页 |
| 1.基本情况 | 第64页 |
| 2.教育背景 | 第64页 |
| 3.攻读硕士学位期间的研究成果 | 第64-66页 |
