| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究的背景和意义 | 第10页 |
| ·车牌识别技术国内外研究综述 | 第10-12页 |
| ·国外车牌识别研究情况介绍 | 第11页 |
| ·国内车牌识别研究情况介绍 | 第11-12页 |
| ·车牌字符识别常用的方法 | 第12-13页 |
| ·传统模式识别方法 | 第12页 |
| ·人工神经网络技术 | 第12-13页 |
| ·统计学习理论和支持向量机SVM | 第13-14页 |
| ·支持向量机概述 | 第13页 |
| ·支持向量机应用的研究现状和热点 | 第13-14页 |
| ·本文的研究内容 | 第14-16页 |
| ·车牌字符图像的预处理 | 第14-15页 |
| ·使用SVM 进行车牌字符识别 | 第15页 |
| ·使用GMM 进行车牌字符识别 | 第15-16页 |
| 第2章 车牌字符图像的预处理及特征提取 | 第16-29页 |
| ·车牌字符图像的二值化算法 | 第16-18页 |
| ·彩色图像的灰度化 | 第16页 |
| ·灰度图像的二值化 | 第16-18页 |
| ·图像噪声预处理方法的研究 | 第18-25页 |
| ·单象素点的噪声去除算法 | 第18-20页 |
| ·基于连通域的噪声处理算法 | 第20-22页 |
| ·基于二阶矩的噪声处理算法 | 第22-24页 |
| ·边缘扫描去除黑边算法 | 第24-25页 |
| ·图像的归一化 | 第25-26页 |
| ·字符图像的特征提取 | 第26-28页 |
| ·常用的字符图像特征 | 第26页 |
| ·轮廓层次特征 | 第26-27页 |
| ·网格重心特征 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于支持向量机和混合高斯模型的车牌字符识别算法 | 第29-54页 |
| ·机器学习的基本原理 | 第30-32页 |
| ·经验风险最小化原则 | 第30页 |
| ·函数集的VC 维 | 第30-31页 |
| ·结构风险最小化原则 | 第31-32页 |
| ·支持向量机方法 | 第32-36页 |
| ·最优分类面 | 第32-34页 |
| ·广义最优分类面 | 第34-35页 |
| ·高维空间中的最优分类面和支持向量机 | 第35-36页 |
| ·SVM 中的核函数及参数选取 | 第36-44页 |
| ·核函数及参数对分类器性能的影响 | 第36-37页 |
| ·RBF 核函数的参数选取 | 第37-42页 |
| ·多项式核函数和Sigmoid 核函数的参数选取 | 第42-44页 |
| ·SVM 识别车牌字符的其他问题 | 第44-49页 |
| ·多类判别问题 | 第44-45页 |
| ·利用SVM 进行错误样本拒识 | 第45-49页 |
| ·基于混合高斯模型的车牌字符识别算法 | 第49-53页 |
| ·混合高斯模型(GMM)的基本概念 | 第49页 |
| ·混合高斯模型训练方法 | 第49-51页 |
| ·利用GMM 进行车牌字符的识别 | 第51页 |
| ·利用混合高斯模型进行拒识分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 实验结果 | 第54-57页 |
| ·系统构成 | 第54页 |
| ·识别结果 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 哈尔滨工业大学硕士学位论文原创性声明 | 第62页 |
| 哈尔滨工业大学硕士学位论文使用授权书 | 第62页 |
| 哈尔滨工业大学硕士学位涉密论文管理 | 第62-63页 |
| 致谢 | 第63页 |