| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 选题来源 | 第10页 |
| 1.3 图像识别的国内外研究现状 | 第10-12页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 车牌识别的技术难点 | 第12-13页 |
| 1.4.1 复杂的天气状况 | 第12页 |
| 1.4.2 去雾算法的局限性 | 第12-13页 |
| 1.4.3 去雾算法的实时性 | 第13页 |
| 1.5 论文研究内容 | 第13-14页 |
| 1.6 本文组织结构 | 第14-16页 |
| 第二章 雾霾环境下车牌图像复原和识别技术概述 | 第16-27页 |
| 2.1 雾霾天图像复原技术理论 | 第16-23页 |
| 2.1.1 雾霾的形成原因 | 第16-17页 |
| 2.1.2 颜色空间模型 | 第17-19页 |
| 2.1.3 基于图像复原的大气散射模型 | 第19-23页 |
| 2.2 车牌识别技术理论 | 第23-26页 |
| 2.2.1 模板匹配识别 | 第23-24页 |
| 2.2.2 统计模式识别 | 第24页 |
| 2.2.3 深度学习识别 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于暗通道先验的图像去雾改进算法 | 第27-39页 |
| 3.1 传统暗通道先验算法 | 第27-28页 |
| 3.1.1 大气光A估计 | 第27页 |
| 3.1.2 透射率的估计 | 第27-28页 |
| 3.2 基于暗通道先验算法的大气成像光学模型 | 第28-29页 |
| 3.3 基于暗通道先验算法的AECES滤波对图像的估计 | 第29-33页 |
| 3.3.1 AECES保边滤波器 | 第29-30页 |
| 3.3.2 AECES滤波的保边传输参数图像的提取 | 第30-33页 |
| 3.4 基于DSP+FPGA的硬件化系统方案设计 | 第33-36页 |
| 3.4.1 FPGA硬件重组技术 | 第33-34页 |
| 3.4.2 基于FPGA的图像硬件结构 | 第34-36页 |
| 3.5 实验结果分析与评价 | 第36-38页 |
| 3.5.1 实验环境 | 第36页 |
| 3.5.2 实验结果 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 车牌识别 | 第39-57页 |
| 4.1 车牌图像特点 | 第39-41页 |
| 4.2 车牌的定位 | 第41-46页 |
| 4.2.1 车牌图像灰度化 | 第42-43页 |
| 4.2.2 边缘检测 | 第43-45页 |
| 4.2.3 图像的二值化 | 第45-46页 |
| 4.2.4 确定车牌边界 | 第46页 |
| 4.3 车牌字符分割 | 第46-49页 |
| 4.3.1 车牌的矫正 | 第47-48页 |
| 4.3.2 车牌边框的去除 | 第48页 |
| 4.3.3 字符归一化 | 第48-49页 |
| 4.3.4 粗网格特征提取 | 第49页 |
| 4.4 BP神经网络在车牌图像识别中的应用 | 第49-51页 |
| 4.4.1 特征提取 | 第49-50页 |
| 4.4.2 BP神经网络的结构 | 第50页 |
| 4.4.3 网络训练 | 第50-51页 |
| 4.5 实验结果及分析 | 第51-56页 |
| 4.5.1 实验结果 | 第51-55页 |
| 4.5.2 实验分析 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62-63页 |
| 致谢 | 第63页 |