复杂背景下车牌识别算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 车牌识别系统构成 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-15页 |
| 1.4 研究内容及结构安排 | 第15-16页 |
| 1.4.1 本文工作 | 第15页 |
| 1.4.2 本文结构 | 第15-16页 |
| 第二章 相关技术介绍 | 第16-22页 |
| 2.1 SVM支持向量机 | 第16-17页 |
| 2.2 LBP图像特征提取 | 第17-18页 |
| 2.2.1 LBP特征的计算 | 第17-18页 |
| 2.2.2 LBP特征用于检测的原理 | 第18页 |
| 2.2.3 对LBP特征向量进行提取的步骤 | 第18页 |
| 2.3 仿射变换 | 第18-19页 |
| 2.4 OPENCV跨平台计算机视觉库 | 第19页 |
| 2.5 ANN人工神经网络 | 第19-20页 |
| 2.6 光流算法 | 第20-21页 |
| 2.7 本章总结 | 第21-22页 |
| 第三章 图像预处理 | 第22-32页 |
| 3.1 图像灰度化 | 第22-24页 |
| 3.2 图像二值化算法 | 第24-30页 |
| 3.2.1 常见的二值化算法 | 第24-26页 |
| 3.2.2 混合二值化算法 | 第26-30页 |
| 3.3 本章总结 | 第30-32页 |
| 第四章 车牌定位算法 | 第32-45页 |
| 4.1 基于区域生长的字符块提取方法 | 第32-35页 |
| 4.2 基于MSER的字符块提取算法 | 第35-42页 |
| 4.2.1 MSER的定义与实现 | 第35-38页 |
| 4.2.2 MSER算法的参数确定 | 第38-41页 |
| 4.2.3 实验结果 | 第41-42页 |
| 4.3 区域生长算法与MSER算法的比较 | 第42-43页 |
| 4.4 定位车牌 | 第43页 |
| 4.5 本章总结 | 第43-45页 |
| 第五章 车牌分割算法 | 第45-59页 |
| 5.1 常用的车牌分割算法 | 第45-49页 |
| 5.1.1 垂直投影法 | 第45-47页 |
| 5.1.2 聚类连通区域法 | 第47-48页 |
| 5.1.3 模板匹配法 | 第48-49页 |
| 5.2 基于类间方差的车牌分割算法 | 第49-57页 |
| 5.2.1 车牌偏斜扭正 | 第49-50页 |
| 5.2.2 我国车牌的标准 | 第50页 |
| 5.2.3 提取基准字符 | 第50-52页 |
| 5.2.4 消除分隔点 | 第52-54页 |
| 5.2.5 车牌分割算法 | 第54-57页 |
| 5.2.6 实验结果 | 第57页 |
| 5.3 本章总结 | 第57-59页 |
| 第六章 车牌字符识别 | 第59-68页 |
| 6.1 字符识别分类器 | 第59-61页 |
| 6.1.1 字符特征提取 | 第59页 |
| 6.1.2 构建神经网络 | 第59页 |
| 6.1.3 设置训练参数 | 第59-60页 |
| 6.1.4 训练网络 | 第60页 |
| 6.1.5 识别数据 | 第60页 |
| 6.1.6 总结 | 第60-61页 |
| 6.2 车牌识别算法流程 | 第61-62页 |
| 6.3 实验过程 | 第62-65页 |
| 6.3.1 实验运行环境 | 第62页 |
| 6.3.2 实验细节 | 第62-65页 |
| 6.4 实验结果 | 第65-66页 |
| 6.5 识别结果综合优化 | 第66-68页 |
| 6.5.1 多帧图像的提取 | 第66页 |
| 6.5.2 同一车辆的判断 | 第66-67页 |
| 6.5.3 综合置信度的计算 | 第67页 |
| 6.5.4 实验结果 | 第67-68页 |
| 第七章 结论及展望 | 第68-70页 |
| 7.1 总结 | 第68-69页 |
| 7.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
