基于视频的车辆细节特征识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 论文的研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 智能交通系统发展现状 | 第10-12页 |
| 1.2.2 车牌定位识别系统发展现状 | 第12-13页 |
| 1.2.3 基于视频的车牌定位与识别技术的难点 | 第13-15页 |
| 1.3 本文的主要工作以及内容安排 | 第15-17页 |
| 第二章 车牌识别框架以及图像视频处理算法研究 | 第17-27页 |
| 2.1 本文的车牌识别框架介绍 | 第17-18页 |
| 2.2 常用的图像处理算法简介 | 第18-24页 |
| 2.2.1 彩色图像灰度化 | 第18页 |
| 2.2.2 图像空间滤波 | 第18-20页 |
| 2.2.3 图像二值化 | 第20-21页 |
| 2.2.4 形态学处理 | 第21-22页 |
| 2.2.5 仿射变换 | 第22-24页 |
| 2.3 交通监控视频处理常用算法 | 第24-26页 |
| 2.3.1 常用背景建模算法 | 第24-25页 |
| 2.3.2 基于混合高斯模型的前景提取算法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 大角度下的车牌定位方法研究 | 第27-48页 |
| 3.1 车牌定位方法流程 | 第27-28页 |
| 3.2 基于边缘与颜色特征的车牌粗定位算法 | 第28-33页 |
| 3.2.1 基于Sobel算子的车牌粗定位方法 | 第28-31页 |
| 3.2.2 基于颜色特征的车牌粗定位方法 | 第31-33页 |
| 3.3 大角度下车牌校正方法研究 | 第33-37页 |
| 3.3.1 基于Hough变换的校正方法研究 | 第33-34页 |
| 3.3.2 基于仿射变换的校正方法研究 | 第34-37页 |
| 3.4 候选车牌区域预处理 | 第37页 |
| 3.5 基于SVM算法的车牌精定位方法 | 第37-45页 |
| 3.5.1 SVM算法研究 | 第37-43页 |
| 3.5.2 候选车牌区域特征提取 | 第43页 |
| 3.5.3 基于SVM算法的车牌确认方法 | 第43-45页 |
| 3.6 车牌定位结果分析 | 第45-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 大角度下的车牌字符分割与识别方法研究 | 第48-63页 |
| 4.1 车牌字符分割与字符识别流程 | 第48页 |
| 4.2 基于轮廓和汉字重建的字符分割方法 | 第48-51页 |
| 4.3 车牌字符分割结果分析 | 第51页 |
| 4.4 字符特征提取 | 第51-54页 |
| 4.5 基于BP神经网络的字符识别方法研究 | 第54-58页 |
| 4.5.1 BP神经网络的原理 | 第54-56页 |
| 4.5.2 基于BP神经网络的字符训练结果分析 | 第56-57页 |
| 4.5.3 基于BP神经网络的字符识别结果分析 | 第57-58页 |
| 4.6 基于SVM的字符识别方法研究 | 第58-59页 |
| 4.6.1 基于SVM的字符训练结果分析 | 第58-59页 |
| 4.6.2 基于SVM的字符识别结果分析 | 第59页 |
| 4.7 车牌识别结果分析 | 第59-62页 |
| 4.8 本章小结 | 第62-63页 |
| 第五章 基于图像和视频的车牌识别软件系统 | 第63-69页 |
| 5.1 软件系统介绍 | 第63-64页 |
| 5.2 基于图像集的识别模块以及识别结果 | 第64-65页 |
| 5.3 基于视频虚拟检测区域的识别模块 | 第65-68页 |
| 5.3.1 基于混合高斯模型的车辆目标提取方法 | 第65-66页 |
| 5.3.2 软件触发设置 | 第66页 |
| 5.3.3 基于视频的车牌识别结果 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 后续工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |
