基于小波分析的支持向量机车牌识别技术研究与实现
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·概述 | 第7-8页 |
| ·课题研究的意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·论文主要工作和结构 | 第10-11页 |
| 第二章 基于小波分析的车牌图像处理 | 第11-22页 |
| ·概述 | 第11页 |
| ·小波分析理论 | 第11-16页 |
| ·小波变换 | 第11-13页 |
| ·常用小波函数 | 第13页 |
| ·Mallat算法 | 第13-15页 |
| ·小波分解 | 第15-16页 |
| ·基于小波分析车牌图像处理实验与结果 | 第16-21页 |
| ·基于小波的中值滤波图像平滑 | 第16-18页 |
| ·直方图均衡化 | 第18-20页 |
| ·基于小波分析的车牌图像增强 | 第20页 |
| ·sobel算子提取车牌图像的边缘 | 第20-21页 |
| ·基于laplace算子的边缘增强 | 第21页 |
| 小结 | 第21-22页 |
| 第三章 基于奇异值分解的车牌特征提取 | 第22-36页 |
| ·概述 | 第22-23页 |
| ·车牌定位与分割 | 第23-31页 |
| ·车牌图像的定位 | 第24-27页 |
| ·车牌图像的灰度化 | 第27-28页 |
| ·车牌图像的分割 | 第28页 |
| ·车牌图像的大小归一化 | 第28-29页 |
| ·车牌字符分割 | 第29-31页 |
| ·基于小波分析的车牌字符图像压缩 | 第31-32页 |
| ·车牌字符图像奇异值特征提取 | 第32-35页 |
| ·奇异值分解 | 第32-33页 |
| ·车牌字符图像奇异值特征提取 | 第33-35页 |
| 小结 | 第35-36页 |
| 第四章 基于最小二乘支持向量机车牌字符特征分类 | 第36-58页 |
| ·概述 | 第36-37页 |
| ·支持向量机算法理论 | 第37-45页 |
| ·机器学习 | 第37-38页 |
| ·统计学习理论 | 第38-39页 |
| ·支持向量机数学原理 | 第39-45页 |
| ·最优分类面 | 第39-43页 |
| ·非线性SVM与核(Kernel)函数 | 第43-44页 |
| ·Mercer’s定理与核函数 | 第44-45页 |
| ·SVM算法描述 | 第45-49页 |
| ·最优化算法 | 第45-46页 |
| ·序贯最优算法 | 第46-49页 |
| ·最小二乘支持向量机 | 第49-55页 |
| ·最小二乘支持向量机模型 | 第49-50页 |
| ·最小二乘支持向量机算法 | 第50-51页 |
| ·最小二乘支持向量机车牌图像特征分类方法 | 第51-55页 |
| ·车牌字符的识别 | 第55-57页 |
| ·车牌识别分类器的设计 | 第55页 |
| ·实验及结果 | 第55-57页 |
| 小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 攻读硕士期间的科研成果 | 第62-63页 |
| 致谢 | 第63-64页 |
