基于图像处理及支持向量机的车牌识别技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| ·论文的研究背景及意义 | 第9-10页 |
| ·车辆牌照识别研究的现状 | 第10-11页 |
| ·国外车牌识别研究现状 | 第10页 |
| ·国内车牌识别研究现状 | 第10-11页 |
| ·车牌识别系统的应用领域 | 第11-12页 |
| ·论文的主要工作 | 第12-14页 |
| 2 车牌图像预处理 | 第14-25页 |
| ·数字图像表示 | 第14页 |
| ·RGB图像的灰度化 | 第14-15页 |
| ·图像增强 | 第15-19页 |
| ·对比度增强 | 第16页 |
| ·直方图匹配 | 第16-19页 |
| ·图像的二值化 | 第19-24页 |
| ·小结 | 第24-25页 |
| 3 车牌定位 | 第25-39页 |
| ·数学形态学 | 第25-28页 |
| ·数学形态学的基本运算 | 第25-27页 |
| ·顶帽变换 | 第27-28页 |
| ·车牌边缘检测 | 第28-31页 |
| ·Hough变换 | 第31-33页 |
| ·车牌定位 | 第33-38页 |
| ·结构元素的选取 | 第33页 |
| ·提取车牌候选区域 | 第33-34页 |
| ·区域标记 | 第34-36页 |
| ·精确定位车牌 | 第36-38页 |
| ·小结 | 第38-39页 |
| 4 车牌字符识别 | 第39-57页 |
| ·常用车牌字符识别的方法 | 第39-40页 |
| ·模板匹配方法 | 第39页 |
| ·神经网络识别 | 第39页 |
| ·统计模式识别 | 第39-40页 |
| ·基于支持向量机的车牌字符识别 | 第40-47页 |
| ·最优分类面和支持向量 | 第40-41页 |
| ·线性支持向量机 | 第41-43页 |
| ·线性支持向量机的推广 | 第43页 |
| ·支持向量机核函数 | 第43-46页 |
| ·核函数参数优化 | 第46-47页 |
| ·车牌字符特征提取及分类器构建 | 第47-51页 |
| ·车牌字符图像的特征提取概述 | 第47-48页 |
| ·本文的特征提取方法 | 第48-50页 |
| ·分类器设计 | 第50-51页 |
| ·SVM与BP神经网络的车牌字符识别比较 | 第51-52页 |
| ·车牌字符识别系统设计 | 第52-56页 |
| ·车牌字符识别系统的界面 | 第52-53页 |
| ·实验结果与分析 | 第53-56页 |
| ·小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |
