雾霾环境下车牌图像预处理及识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 车牌信息识别系统研究现状 | 第13-15页 |
| 1.2.2 图像去雾研究现状 | 第15-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 参考文献 | 第19-22页 |
| 2 暗原色先验去雾算法 | 第22-33页 |
| 2.1 基本原理 | 第22-24页 |
| 2.2 透射率优化与改进 | 第24-28页 |
| 2.2.1 现有优化透射率方法 | 第25-27页 |
| 2.2.2 改进透射率方法 | 第27-28页 |
| 2.3 实验结果 | 第28-31页 |
| 2.3.1 实验结果对比 | 第28-31页 |
| 2.3.2 实验结论 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 参考文献 | 第32-33页 |
| 3 车牌定位 | 第33-42页 |
| 3.1 车牌定位常用的方法 | 第33-35页 |
| 3.1.1 基于几何特征的车牌定位方法 | 第33页 |
| 3.1.2 基于彩色空间转换的车牌定位法 | 第33-34页 |
| 3.1.3 基于边缘检测的车牌定位方法 | 第34页 |
| 3.1.4 基于先验知识的车牌定位方法 | 第34-35页 |
| 3.2 利用边缘检测的方法确定车牌图像的上下边界 | 第35-38页 |
| 3.2.1 图像灰度化 | 第35页 |
| 3.2.2 车牌图像区域增强 | 第35-36页 |
| 3.2.3 边缘检测 | 第36-38页 |
| 3.2.4 确定候选区域 | 第38页 |
| 3.3 基于先验知识确定车牌的左右边界 | 第38-40页 |
| 3.4 实验结果 | 第40-41页 |
| 3.5 本章小结 | 第41页 |
| 参考文献 | 第41-42页 |
| 4 车牌分割 | 第42-53页 |
| 4.1 常用车牌分割算法 | 第42-43页 |
| 4.1.1 基于模板匹配的字符分割方法 | 第42页 |
| 4.1.2 基于连通域的字符分割方法 | 第42-43页 |
| 4.1.3 基于投影的字符分割方法 | 第43页 |
| 4.2 倾斜车牌矫正 | 第43-46页 |
| 4.2.1 Hough变换法 | 第43-44页 |
| 4.2.2 Radon变换法 | 第44-46页 |
| 4.3 车牌边框的去除 | 第46-47页 |
| 4.4 车牌字符图像分割 | 第47-49页 |
| 4.5 字符归一化处理 | 第49-50页 |
| 4.6 粗网格特征矩阵提取 | 第50-51页 |
| 4.7 实验结果 | 第51页 |
| 4.8 本章小结 | 第51页 |
| 参考文献 | 第51-53页 |
| 5 基于PSO-RBF的字符识别 | 第53-66页 |
| 5.1 常用识别算法 | 第53-55页 |
| 5.2 PSO-RBF神经网络 | 第55-61页 |
| 5.2.1 RBF神经网络模型 | 第55-56页 |
| 5.2.2 RBF神经网络结构分析 | 第56-57页 |
| 5.2.3 RBF神经网络的学习算法 | 第57-58页 |
| 5.2.4 粒子群优化算法 | 第58-59页 |
| 5.2.5 PSO算法流程 | 第59-61页 |
| 5.3 基于PSO-RBF神经网络的车牌识别 | 第61-63页 |
| 5.4 实验结果 | 第63-64页 |
| 5.5 小结 | 第64页 |
| 参考文献 | 第64-66页 |
| 6 总结与展望 | 第66-69页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-69页 |
| 致谢 | 第69-70页 |
| 个人简历、硕士学习期间发表的论文 | 第70页 |
