基于支持向量机（SVM）的车牌识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-22页 |
| 1.1 选题背景及研究意义 | 第12-15页 |
| 1.1.1 车牌识别技术选题背景 | 第12-13页 |
| 1.1.2 车牌识别技术的研究意义 | 第13-15页 |
| 1.2 车牌识别技术的简述 | 第15-20页 |
| 1.2.1 车牌识别系统的构成 | 第15页 |
| 1.2.2 国内外车牌识别技术研究现状 | 第15-17页 |
| 1.2.3 车牌识别技术的应用情况 | 第17-18页 |
| 1.2.4 车牌识别技术中的难点 | 第18-19页 |
| 1.2.5 车牌识别技术的发展趋势 | 第19-20页 |
| 1.3 论文的主要内容与结构安排 | 第20-22页 |
| 2 车牌获取、定位与字符分割 | 第22-49页 |
| 2.1 车辆照片的采集 | 第22-25页 |
| 2.1.1 车辆图片采集系统的硬件设计 | 第22-23页 |
| 2.1.2 车辆检测器的选择 | 第23-25页 |
| 2.2 车牌预处理技术 | 第25-33页 |
| 2.2.1 图像灰度化 | 第25-27页 |
| 2.2.2 图像对比度增强与去噪 | 第27-29页 |
| 2.2.3 图像边缘检测 | 第29-32页 |
| 2.2.4 图像二值化 | 第32-33页 |
| 2.3 车牌定位技术 | 第33-42页 |
| 2.3.1 车牌粗定位 | 第33-37页 |
| 2.3.2 倾斜校正 | 第37-40页 |
| 2.3.3 车牌细定位 | 第40-41页 |
| 2.3.4 实验结果与分析 | 第41-42页 |
| 2.4 字符分割技术 | 第42-47页 |
| 2.4.1 汽车车牌字符的特点及分割 | 第42-45页 |
| 2.4.2 本文采用的字符分割方法 | 第45-47页 |
| 2.5 本章小结 | 第47-49页 |
| 3 基于SVM(支持向量机)的车牌字符识别 | 第49-71页 |
| 3.1 SVM(支持向量机)原理 | 第49-52页 |
| 3.1.1 最优分类面 | 第49-50页 |
| 3.1.2 线性支撑向量机 | 第50-51页 |
| 3.1.3 支撑向量机的推广 | 第51-52页 |
| 3.2 SVM核函数与参数选择 | 第52-56页 |
| 3.3 SMO算法的引入 | 第56-58页 |
| 3.4 字符特征提取与分类器构建 | 第58-62页 |
| 3.4.1 字符特征选择 | 第58-60页 |
| 3.4.2 特征归一化与训练 | 第60-61页 |
| 3.4.3 构建分类器 | 第61-62页 |
| 3.5 监督学习的引入 | 第62-64页 |
| 3.6 实验数据与分析 | 第64-70页 |
| 3.7 本章小节 | 第70-71页 |
| 4 车牌识别系统的设计和实现 | 第71-77页 |
| 4.1 硬件环境与软件环境 | 第71页 |
| 4.2 前台界面的设计与实现 | 第71-73页 |
| 4.3 数据库的构建 | 第73-75页 |
| 4.4 本章小结 | 第75-77页 |
| 5 总结与展望 | 第77-80页 |
| 5.1 研究工作总结 | 第77-78页 |
| 5.2 研究工作展望 | 第78-80页 |
| 参考文献 | 第80-82页 |
| 致谢 | 第82-83页 |
| 作者简介及读研期间主要科研成果 | 第83-84页 |
