| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 车牌识别技术的国内外研究历史与现状 | 第11-12页 |
| 1.3 目前车牌识别技术存在的问题 | 第12-13页 |
| 1.4 本文的研究内容与创新 | 第13-14页 |
| 1.5 本论文的结构安排 | 第14-15页 |
| 第二章 车牌识别相关技术以及图像采集方式 | 第15-26页 |
| 2.1 图像的预处理技术 | 第15-21页 |
| 2.1.1 灰度化 | 第15-16页 |
| 2.1.2 滤波 | 第16-17页 |
| 2.1.3 灰度增强变换 | 第17-19页 |
| 2.1.4 边缘检测 | 第19-20页 |
| 2.1.5 Otsu自适应二值化 | 第20-21页 |
| 2.2 形态学去噪处理 | 第21-22页 |
| 2.3 BP神经网络 | 第22-24页 |
| 2.4 自适应的摄像机系统 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 车牌定位方法研究 | 第26-44页 |
| 3.1 常用的定位方法 | 第26-29页 |
| 3.1.1 彩色图像与纹理结合法 | 第26-27页 |
| 3.1.2 基于灰度图像边缘检测法 | 第27-28页 |
| 3.1.3 基于行扫描的定位法 | 第28-29页 |
| 3.1.4 基于形态学特征定位法 | 第29页 |
| 3.2 本文车牌定位方法的研究 | 第29-38页 |
| 3.2.1 图像的预处理 | 第31-33页 |
| 3.2.2 水平差分法和Sobel y方向边缘检测 | 第33-35页 |
| 3.2.3 基于水平和垂直投影的切分法 | 第35-36页 |
| 3.2.4 基于车牌统计特征的最佳选择 | 第36-38页 |
| 3.3 传统定位法与本文车牌定位法的比较与分析 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 车牌分割方法研究 | 第44-56页 |
| 4.1 常用的字符分割方法 | 第44-48页 |
| 4.1.1 基于连通分量的分割法 | 第44-45页 |
| 4.1.2 垂直投影分割法 | 第45页 |
| 4.1.3 基于聚类分析分割法 | 第45-47页 |
| 4.1.4 基于模板匹配分割法 | 第47-48页 |
| 4.2 本文采用的字符分割法的研究 | 第48-52页 |
| 4.2.1 车牌的倾斜校正 | 第49-51页 |
| 4.2.2 基于投影与连通域的字符分割法 | 第51-52页 |
| 4.3 传统字符分割法与本论文采用的分割法的比较与分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 字符识别方法研究 | 第56-71页 |
| 5.1 常用的字符识别方法 | 第56-58页 |
| 5.1.1 基于模板匹配法 | 第56-57页 |
| 5.1.2 基于字符结构和统计的方法 | 第57页 |
| 5.1.3 基于SVM的方法 | 第57-58页 |
| 5.2 BP神经网络在字符识别中的应用 | 第58-68页 |
| 5.2.1 字符的归一化处理 | 第59-60页 |
| 5.2.2 提取车牌字符的特征 | 第60-61页 |
| 5.2.3 BP神经网络结构以及字符的识别 | 第61-68页 |
| 5.3 传统字符识别法与本论文采用方法的比较与分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 系统实现与实验结果分析 | 第71-78页 |
| 6.1 系统实现流程 | 第71-72页 |
| 6.2 系统实验环境 | 第72页 |
| 6.3 实验结果 | 第72-77页 |
| 6.4 本章小结 | 第77-78页 |
| 第七章 全文总结与展望 | 第78-80页 |
| 7.1 本文总结 | 第78页 |
| 7.2 展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 攻读硕士学位期间取得的成果 | 第84-85页 |
