基于视频图像特征信息提取技术的汽车牌号识别
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 1 绪论 | 第9-15页 |
| ·引言 | 第9页 |
| ·本文研究的目的 | 第9-12页 |
| ·车牌识别应用技术情况分析 | 第10页 |
| ·车牌自动识别系统概述 | 第10-11页 |
| ·车牌自动识别算法研究现状 | 第11-12页 |
| ·论文主要研究内容 | 第12-14页 |
| ·整体流程 | 第12-14页 |
| ·本文所做的主要工作及成果 | 第14页 |
| ·论文的组织结构 | 第14-15页 |
| 2 运动目标检测 | 第15-25页 |
| ·引言 | 第15页 |
| ·图像差分方法 | 第15-19页 |
| ·差分图像 | 第16页 |
| ·背景减除法 | 第16-18页 |
| ·帧间差分法 | 第18-19页 |
| ·一种改进的背景减除法 | 第19-24页 |
| ·背景图像建立与更新 | 第19-21页 |
| ·实验结果及分析 | 第21-23页 |
| ·基于背景差分的运动车辆检测与关键帧提取 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 图像特征提取与车牌定位 | 第25-43页 |
| ·引言 | 第25-26页 |
| ·图像特征的提取 | 第26-29页 |
| ·边界特征的提取 | 第26-28页 |
| ·区域特征的提取 | 第28-29页 |
| ·车牌的特征 | 第29-30页 |
| ·基于特征的车牌定位算法 | 第30-32页 |
| ·基于几何形状特性的定位算法 | 第30页 |
| ·基于车牌区域灰度变化特征的定位算法 | 第30-31页 |
| ·基于边缘检测的定位方法 | 第31页 |
| ·基于颜色特征的定位算法 | 第31页 |
| ·基于人工神经网络的定位算法 | 第31-32页 |
| ·基于数学形态学与灰度变化特征的车牌定位算法 | 第32-42页 |
| ·本文车牌定位的总体流程 | 第32-33页 |
| ·数学形态学概述 | 第33-35页 |
| ·图像灰度拉伸 | 第35-36页 |
| ·图像梯度锐化 | 第36-37页 |
| ·二值化及区域填充 | 第37-39页 |
| ·车牌候选区筛选 | 第39-40页 |
| ·合并相邻小区域 | 第40-42页 |
| ·利用纹理特征精确定位车牌 | 第42页 |
| ·本章小结 | 第42-43页 |
| 4 运动物体特征提取与车牌跟踪 | 第43-55页 |
| ·引言 | 第43页 |
| ·图像匹配技术 | 第43-49页 |
| ·模板匹配 | 第43-46页 |
| ·基于图像特征的匹配 | 第46-48页 |
| ·一种基于边缘线及车牌纹理特征的匹配算法 | 第48-49页 |
| ·车牌位置估计 | 第49-52页 |
| ·最小二乘法描述 | 第49-51页 |
| ·仿真结果分析 | 第51-52页 |
| ·车牌跟踪结果 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5 字符识别技术 | 第55-69页 |
| ·字符分割 | 第55-57页 |
| ·字符图像处理 | 第57-59页 |
| ·字符图像二值化 | 第57-58页 |
| ·字符归一化 | 第58-59页 |
| ·字符识别方法简介 | 第59-60页 |
| ·BP神经网络介绍 | 第60-62页 |
| ·BP神经网络结构 | 第60-61页 |
| ·BP网络的设计问题 | 第61-62页 |
| ·BP神经网络在车牌识别中的应用 | 第62-68页 |
| ·特征提取 | 第63-64页 |
| ·BP网络的设计和结构 | 第64-65页 |
| ·实验结果与分析 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| ·工作总结 | 第69页 |
| ·研究展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-76页 |
