中文摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
1. 绪论 | 第10-16页 |
1.1 车牌识别系统研究背景 | 第10页 |
1.2 国内外研究现状 | 第10-11页 |
1.2.1 车牌识别简介 | 第10-11页 |
1.2.2 运动目标检测 | 第11页 |
1.3 车牌识别系统简介 | 第11-13页 |
1.4 目前车牌识别存在的问题 | 第13-14页 |
1.5 本文研究的主要内容 | 第14-15页 |
1.6 章节安排 | 第15-16页 |
2. 运动目标检测 | 第16-27页 |
2.1 常用的运动目标检测方法 | 第16-18页 |
2.1.1 光流法 | 第16页 |
2.1.2 帧间差分法 | 第16-17页 |
2.1.3 背景减除法 | 第17-18页 |
2.2 基于混合高斯背景建模算法的运动目标检测 | 第18-23页 |
2.2.1 典型的背景减除算法介绍 | 第18-20页 |
2.2.2 单高斯背景建模 | 第20-21页 |
2.2.3 混合高斯背景建模 | 第21-23页 |
2.3 改进的混合高斯背景建模法检测运动目标 | 第23-25页 |
2.4 实验分析 | 第25-26页 |
2.5 本章小结 | 第26-27页 |
3. 车牌定位相关算法 | 第27-52页 |
3.1 引言 | 第27页 |
3.2 我国车牌规格及特点 | 第27-28页 |
3.3 车牌定位相关技术介绍 | 第28-44页 |
3.3.1 图像的灰度化 | 第29-30页 |
3.3.2 图像增强技术 | 第30-35页 |
3.3.3 图像的二值化 | 第35-39页 |
3.3.4 边缘检测 | 第39-43页 |
3.3.5 数学形态学运算 | 第43-44页 |
3.4 车牌定位方法介绍 | 第44-45页 |
3.4.1 基于灰度图像的定位方法 | 第44页 |
3.4.2 基于彩色图像的定位方法 | 第44-45页 |
3.5 几种经典车牌定位算法 | 第45-46页 |
3.5.1 基于投影法的车牌定位方法 | 第45页 |
3.5.2 基于图像颜色特征的定位方法 | 第45-46页 |
3.6 基于边缘梯度筛选和灰度跳变法结合的车牌定位方法 | 第46-50页 |
3.6.1 边缘检测 | 第46-47页 |
3.6.2 边缘梯度特性筛选 | 第47-48页 |
3.6.3 形态学处理 | 第48-49页 |
3.6.4 灰度跳变法 | 第49页 |
3.6.5 车牌精确定位 | 第49-50页 |
3.7 实验结果 | 第50-51页 |
3.8 本章小结 | 第51-52页 |
4. 车牌字符分割 | 第52-61页 |
4.1 字符分割技术介绍 | 第52页 |
4.2 经典的车牌字符分割算法 | 第52-53页 |
4.3 车牌图像预处理 | 第53-57页 |
4.3.1 二值化 | 第53-55页 |
4.3.2 倾斜矫正 | 第55-57页 |
4.4 车牌边框的去除 | 第57-58页 |
4.5 字符分割和归一化 | 第58-59页 |
4.5.1 基于改进的垂直投影法进行字符的分割 | 第58-59页 |
4.5.2 字符归一化 | 第59页 |
4.6 实验分析 | 第59-60页 |
4.7 本章小结 | 第60-61页 |
5. 车牌识别中的字符识别 | 第61-75页 |
5.1 字符识别算法综述 | 第61页 |
5.2 模板匹配法 | 第61-63页 |
5.2.1 模板匹配法 | 第61-62页 |
5.2.2 基于过线数特征的模板匹配法 | 第62-63页 |
5.3 基于BP神经网络的字符识别方法 | 第63-69页 |
5.3.1 人工神经网络简介 | 第63-65页 |
5.3.2 BP神经网络及其改进 | 第65-69页 |
5.4 本文字符识别算法流程 | 第69-73页 |
5.4.1 特征提取 | 第70页 |
5.4.2 确定输入层节点数 | 第70-71页 |
5.4.3 隐含层节点数 | 第71-72页 |
5.4.4 输出层节点数 | 第72页 |
5.4.5 激励函数 | 第72页 |
5.4.6 初始权值 | 第72页 |
5.4.7 学习率和冲量系数的选取 | 第72-73页 |
5.5 实验结果 | 第73-74页 |
5.6 本章小结 | 第74-75页 |
6. 总结与不足 | 第75-77页 |
6.1 总结 | 第75-76页 |
6.2 不足 | 第76-77页 |
参考文献 | 第77-80页 |
攻读硕士学位期间发表学术论文情况 | 第80-81页 |
致谢 | 第81-82页 |
作者简介 | 第82-83页 |