| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 车标识别的研究背景和意义 | 第8页 |
| 1.2 车标车牌识别的国内外研究形状 | 第8-10页 |
| 1.3 车标识别系统的组成 | 第10-12页 |
| 1.4 本文内容安排 | 第12-13页 |
| 第二章 图像预处理 | 第13-26页 |
| 2.1 颜色空间的选择 | 第13-14页 |
| 2.2 图像的去噪 | 第14-15页 |
| 2.3 边缘检测 | 第15-19页 |
| 2.3.1 梯度算子 | 第16-17页 |
| 2.3.2 Roberts算子 | 第17-18页 |
| 2.3.3 Prewitt算子 | 第18页 |
| 2.3.4 Sobel算子 | 第18-19页 |
| 2.4 二值化操作 | 第19-20页 |
| 2.5 形态学操作 | 第20-22页 |
| 2.6 车牌定位 | 第22-24页 |
| 2.7 本章小结 | 第24-26页 |
| 第三章 车标定位技术 | 第26-29页 |
| 3.1 车标定位技术的技术难点 | 第26页 |
| 3.2 车标定位方法 | 第26-28页 |
| 3.2.1 车标粗定位 | 第26-27页 |
| 3.2.2 车标精确定位 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 特征提取 | 第29-45页 |
| 4.1 特征的定义 | 第29-30页 |
| 4.2 常用的特征提取 | 第30-32页 |
| 4.3 匹配方法 | 第32-33页 |
| 4.4 特征变换 | 第33-38页 |
| 4.4.1 尺度不变特征变换(SIFT)匹配算法详解 | 第33-35页 |
| 4.4.2 K-L变换进行特征提取 | 第35-36页 |
| 4.4.3 PCA算法 | 第36-38页 |
| 4.5 分类决策 | 第38-44页 |
| 4.5.1 朴素贝叶斯分类的原理与流程 | 第38-39页 |
| 4.5.2 BP神经网络模型原理与流程 | 第39-40页 |
| 4.5.3 SVM模型原理与流程 | 第40-41页 |
| 4.5.4 最小距离分类器模型原理与流程 | 第41-42页 |
| 4.5.5 Adaboost算法 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 车标识别 | 第45-58页 |
| 5.1 基于车标匹配的车标识别算法 | 第45-48页 |
| 5.1.1 建立车标库 | 第45-47页 |
| 5.1.2 算法流程 | 第47-48页 |
| 5.2 AdaBoost中利用Haar特征进行车标识别算法 | 第48-53页 |
| 5.2.1 Haar特征/矩形特征 | 第48-50页 |
| 5.2.2 矩形特征个数 | 第50-51页 |
| 5.2.3 基于双阈值的增强型AdaBoost快速算法 | 第51-53页 |
| 5.3 利用BP进行车标识别算法 | 第53-56页 |
| 5.4 车标定位应用的软件实现 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
