| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 车牌识别技术发展现状 | 第10-11页 |
| 1.3 基于嵌入式平台的车牌识别技术难点 | 第11-12页 |
| 1.4 本文研究内容与结构 | 第12-13页 |
| 第二章 车牌定位算法研究 | 第13-33页 |
| 2.1 车牌定位方法简介 | 第13-18页 |
| 2.1.1 车牌边框检测 | 第13-14页 |
| 2.1.2 基于灰度跳变的边缘检测 | 第14-16页 |
| 2.1.3 基于车牌颜色特征 | 第16-18页 |
| 2.1.4 利用AdaBoost分类器 | 第18页 |
| 2.2 车牌图像预处理 | 第18-20页 |
| 2.2.1 图像的灰度化 | 第18-19页 |
| 2.2.2 平滑处理 | 第19页 |
| 2.2.3 图像的阈值化 | 第19-20页 |
| 2.3 逐步求精的车牌定位策略 | 第20-21页 |
| 2.4 基于HAAR特征的车牌初步定位 | 第21-25页 |
| 2.4.1 Haar特征 | 第21-23页 |
| 2.4.2 AdaBoost算法 | 第23页 |
| 2.4.3 样本集合 | 第23-24页 |
| 2.4.4 使用AdaBoost训练Haar特征分类器 | 第24页 |
| 2.4.5 使用特征分类器定位车牌 | 第24-25页 |
| 2.5 精确定位车牌边界 | 第25-27页 |
| 2.5.1 定位上下边界 | 第25-26页 |
| 2.5.2 定位左右边界 | 第26-27页 |
| 2.5.3 去除孤立点 | 第27页 |
| 2.6 车牌倾斜校正 | 第27-31页 |
| 2.6.1 Hough变换检测倾斜角 | 第29页 |
| 2.6.2 Radon变换检测倾斜角 | 第29-31页 |
| 2.7 候选区域筛选算法 | 第31-32页 |
| 2.8 本章小结 | 第32-33页 |
| 第三章 车牌字符识别技术研究 | 第33-42页 |
| 3.1 我国车牌字符特点 | 第33页 |
| 3.2 光学字符识别技术简介 | 第33-36页 |
| 3.2.1 统计特征字符识别技术 | 第34-35页 |
| 3.2.2 结构特征字符识别技术 | 第35页 |
| 3.2.3 基于人工神经网络的字符识别技术 | 第35-36页 |
| 3.2.4 Tesseract简介 | 第36页 |
| 3.3 利用TESSERACT训练车牌字符库 | 第36-41页 |
| 3.3.1 车牌字符库的训练样本 | 第37-39页 |
| 3.3.2 车牌字符库的训练过程 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于ARM的车牌识别系统平台构建与实现 | 第42-53页 |
| 4.1 系统的嵌入式开发平台 | 第42-44页 |
| 4.2 系统总体方案设计 | 第44-45页 |
| 4.3 PC端的开发工作 | 第45-51页 |
| 4.3.1 车牌分类器的训练 | 第45-47页 |
| 4.3.2 算法的实现 | 第47-51页 |
| 4.4 ARM端的系统实现 | 第51-52页 |
| 4.4.1 OpenCV库函数的移植 | 第51页 |
| 4.4.2 算法优化 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 系统测试与结果分析 | 第53-57页 |
| 5.1 车牌定位模块 | 第54-55页 |
| 5.1.1 车牌的初步定位 | 第54-55页 |
| 5.1.2 车牌的精确定位 | 第55页 |
| 5.2 车牌字符识别模块 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第六章 结束语 | 第57-58页 |
| 6.1 总结 | 第57页 |
| 6.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65页 |