| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究的主要内容 | 第10-12页 |
| 2 车牌识别系统流程分析 | 第12-20页 |
| 2.1 车牌识别系统概述 | 第12页 |
| 2.2 倾斜校正流程控制分析 | 第12-16页 |
| 2.2.1 车牌倾斜模式分析 | 第13-15页 |
| 2.2.2 倾斜校正过程分析 | 第15-16页 |
| 2.2.3 实验结果总结分析 | 第16页 |
| 2.3 字符分割流程控制分析 | 第16-19页 |
| 2.3.1 我国车牌规格分析总结 | 第16-18页 |
| 2.3.2 车牌字符分割流程 | 第18-19页 |
| 2.4 字符识别流程 | 第19页 |
| 2.5 本章总结 | 第19-20页 |
| 3 倾斜车牌校正与字符分割 | 第20-40页 |
| 3.1 本文数据特性与分割难点 | 第20页 |
| 3.2 图像预处理的研究 | 第20-25页 |
| 3.2.1 灰度拉伸方法研究 | 第21-22页 |
| 3.2.2 灰度拉伸实验结果与分析 | 第22-24页 |
| 3.2.3 图像边缘检测研究 | 第24-25页 |
| 3.2.4 边缘检测试验结果与分析 | 第25页 |
| 3.3 倾斜校正算法研究 | 第25-32页 |
| 3.3.1 Radon 变换原理概述 | 第25-27页 |
| 3.3.2 水平倾斜校正研究 | 第27页 |
| 3.3.3 基于 Radon 变换的垂直倾斜校正 | 第27-29页 |
| 3.3.4 基于旋转投影法的垂直倾斜校正 | 第29-30页 |
| 3.3.5 基于快速 Radon 变换与旋转投影的融合改进算法 | 第30-31页 |
| 3.3.6 倾斜校正总结 | 第31-32页 |
| 3.4 车牌去边框算法研究 | 第32-34页 |
| 3.4.1 水平去边框 | 第32-33页 |
| 3.4.2 基于 HSV 颜色模型的垂直去边框算法 | 第33-34页 |
| 3.5 车牌字符分割算法研究 | 第34-39页 |
| 3.5.1 垂直投影法 | 第34-36页 |
| 3.5.2 基于先验知识的垂直投影法 | 第36-37页 |
| 3.5.3 字符分割总结与分析 | 第37-39页 |
| 3.6 本章总结 | 第39-40页 |
| 4 车牌字符识别 | 第40-50页 |
| 4.1 模式分类 | 第40-42页 |
| 4.1.1 模板匹配法 | 第40-41页 |
| 4.1.2 贝叶斯网络 | 第41页 |
| 4.1.3 神经网络 | 第41-42页 |
| 4.2 BP 神经网络研究 | 第42-49页 |
| 4.2.1 BP 神经网络原理 | 第43-46页 |
| 4.2.2 训练库设计 | 第46-47页 |
| 4.2.3 隐含层数的确定 | 第47页 |
| 4.2.4 隐含层节点数的确定 | 第47-48页 |
| 4.2.5 实验结果与分析 | 第48-49页 |
| 4.3 本章总结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |