基于GABP神经网络的车牌字符识别研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 车牌字符识别现状 | 第10-11页 |
| 1.2.2 人工神经网络研究现状 | 第11-12页 |
| 1.2.3 神经网络集成研究现状 | 第12页 |
| 1.3 本文的内容与论文结构 | 第12-15页 |
| 第二章 车牌背景知识及其识别相关技术分析 | 第15-33页 |
| 2.1 车牌字符图像特征分析 | 第15-17页 |
| 2.1.1 车牌字符图像特征 | 第15-17页 |
| 2.1.2 车牌序号编码规则 | 第17页 |
| 2.2 车牌图像滤波技术 | 第17-23页 |
| 2.2.1 中值滤波 | 第17-19页 |
| 2.2.2 均值滤波 | 第19页 |
| 2.2.3 高斯滤波 | 第19-21页 |
| 2.2.4 双边滤波 | 第21-22页 |
| 2.2.5 Savitzky-Golay滤波 | 第22-23页 |
| 2.3 车牌字符图像处理技术 | 第23-25页 |
| 2.3.1 灰度阈值分割 | 第23-24页 |
| 2.3.2 车牌边缘检测 | 第24页 |
| 2.3.3 车牌轮廓跟踪与提取 | 第24-25页 |
| 2.4 人工神经网络 | 第25-26页 |
| 2.4.1 机器学习算法 | 第25页 |
| 2.4.2 BP神经网络 | 第25-26页 |
| 2.5 遗传算法 | 第26-28页 |
| 2.6 集成学习算法 | 第28-32页 |
| 2.6.1 集成学习概念 | 第28-29页 |
| 2.6.2 集成学习意义 | 第29-32页 |
| 2.7 小结 | 第32-33页 |
| 第三章 集成GABP神经网络的车牌字符识别模型 | 第33-45页 |
| 3.1 车牌字符定位 | 第33-37页 |
| 3.1.1 边缘检测算法 | 第33-36页 |
| 3.1.2 基于彩色分割的车牌定位算法 | 第36页 |
| 3.1.3 基于遗传算法的车牌定位算法 | 第36-37页 |
| 3.2 车牌字符滤波 | 第37-40页 |
| 3.2.1 中值滤波 | 第37-38页 |
| 3.2.2 均值滤波 | 第38页 |
| 3.2.3 高斯滤波 | 第38-39页 |
| 3.2.4 双边滤波 | 第39-40页 |
| 3.3 车牌字符分割 | 第40-41页 |
| 3.4 遗传算法优化BP神经网络 | 第41-42页 |
| 3.5 神经网络集成学习模型 | 第42-44页 |
| 3.6 小结 | 第44-45页 |
| 第四章 实验过程与结果分析 | 第45-59页 |
| 4.1 实验环境配置及数据来源 | 第45页 |
| 4.2 车牌字符识别与结果分析 | 第45-54页 |
| 4.2.1 车牌字符定位 | 第48-51页 |
| 4.2.2 车牌字符分割 | 第51-53页 |
| 4.2.3 车牌字符识别 | 第53-54页 |
| 4.3 结果分析 | 第54-58页 |
| 4.4 小结 | 第58-59页 |
| 第五章 结论与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
