赤道几内亚车牌识别算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题背景及其研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 赤几车牌的特点 | 第12-13页 |
| 1.4 车牌识别算法综述 | 第13-17页 |
| 1.4.1 图像预处理 | 第13页 |
| 1.4.2 车牌定位 | 第13-14页 |
| 1.4.3 车牌切割及倾斜校正 | 第14-15页 |
| 1.4.4 字符分割 | 第15-16页 |
| 1.4.5 字符识别 | 第16-17页 |
| 1.4.6 车牌跟踪算法 | 第17页 |
| 1.5 本课题研究内容、研究基础及主要工作 | 第17-20页 |
| 1.5.1 研究内容 | 第17-18页 |
| 1.5.2 研究基础 | 第18-19页 |
| 1.5.3 本论文完成的主要工作 | 第19-20页 |
| 第二章 车牌定位 | 第20-32页 |
| 2.1 图像预处理 | 第20-23页 |
| 2.1.1 灰度化处理 | 第21页 |
| 2.1.2 直方图均衡化处理 | 第21-22页 |
| 2.1.3 图像边缘检测 | 第22页 |
| 2.1.4 图像二值化 | 第22-23页 |
| 2.2 使用颜色点对方法检测车牌区域 | 第23-25页 |
| 2.3 形状判别 | 第25-28页 |
| 2.3.1 形态学处理 | 第26-27页 |
| 2.3.2 候选区域形状判别 | 第27-28页 |
| 2.4 纹理判别 | 第28-29页 |
| 2.5 倾斜校正 | 第29-30页 |
| 2.5.1 Hough变换 | 第29-30页 |
| 2.5.2 计算车牌的倾斜度并校正 | 第30页 |
| 2.6 车牌边框去除及精定位 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 字符分割及归一化 | 第32-37页 |
| 3.1 垂直投影的一般处理方法 | 第32页 |
| 3.2 针对赤几车牌的字符切割方法 | 第32-35页 |
| 3.2.1 算法步骤及流程 | 第32-34页 |
| 3.2.2 字符切割的处理效果 | 第34-35页 |
| 3.3 字符归一化 | 第35页 |
| 3.4 字符样本的收集 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 字符识别 | 第37-42页 |
| 4.1 图像模式识别 | 第37页 |
| 4.2 BP人工神经网络模型 | 第37-38页 |
| 4.3 基于BP网络的赤几车牌识别算法的设计 | 第38-41页 |
| 4.3.1 各层神经元节点数的确定 | 第38页 |
| 4.3.2 针对不同字符集的神经网络 | 第38-39页 |
| 4.3.3 输出编码 | 第39-40页 |
| 4.3.4 BP人工神经网络用于字符识别 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 视频中多车牌的跟踪识别 | 第42-50页 |
| 5.1 车牌目标跟踪 | 第42-43页 |
| 5.2 MeanShift算法简述 | 第43-44页 |
| 5.3 多车牌跟踪识别算法流程 | 第44-48页 |
| 5.4 采用极大似然原则输出多帧识别的结果 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第六章 实验结果及分析 | 第50-58页 |
| 6.1 车牌定位效果及分析 | 第50-51页 |
| 6.2 车牌字符切割结果分析 | 第51-52页 |
| 6.3 用于模型训练的字符样本及模型训练耗时 | 第52页 |
| 6.4 字符识别的准确率 | 第52-54页 |
| 6.5 车牌跟踪算法效果及分析 | 第54-57页 |
| 6.5.1 跟踪识别结果输出展示 | 第54-55页 |
| 6.5.2 多车牌跟踪示例 | 第55-56页 |
| 6.5.3 车牌跟踪率及捕获率统计 | 第56-57页 |
| 6.6 本章小结 | 第57-58页 |
| 第七章 总结与展望 | 第58-62页 |
| 7.1 总结及主要创新点 | 第58-60页 |
| 7.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |
