| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-17页 |
| ·车牌识别研究的意义和目标 | 第11页 |
| ·车牌识别的研究现状 | 第11-14页 |
| ·国外现状 | 第12-13页 |
| ·国内现状 | 第13-14页 |
| ·论文研究的主要内容 | 第14-15页 |
| ·论文的创新点 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 车牌识别系统架构及其处理流程 | 第17-42页 |
| ·车牌识别系统架构 | 第17-19页 |
| ·车牌定位 | 第19-29页 |
| ·目前常用的车牌定位技术 | 第19-21页 |
| ·车牌定位流程 | 第21-27页 |
| ·本论文采用的车牌定位方法 | 第27-28页 |
| ·定位结果分析与总结 | 第28-29页 |
| ·字符分割 | 第29-35页 |
| ·目前常用的车牌定位方法 | 第29-30页 |
| ·本论文采用的字符分割方法 | 第30-34页 |
| ·分割结果分析和总结 | 第34-35页 |
| ·特征提取 | 第35-41页 |
| ·目前常用的特征提取方法 | 第35-37页 |
| ·本论文采用的特征提取方法 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 论文中应用的SVM理论概述 | 第42-60页 |
| ·机器学习的基本概念 | 第42-44页 |
| ·经验风险 | 第42-43页 |
| ·复杂性和推广能力 | 第43-44页 |
| ·统计学习理论的核心内容 | 第44-47页 |
| ·VC维(Vapnik-Chervonenkis Dimension) | 第45-46页 |
| ·推广性的界 | 第46页 |
| ·结构风险最小化(SRM) | 第46-47页 |
| ·SVM原理 | 第47-53页 |
| ·最优分类面 | 第48-49页 |
| ·线性支持向量机 | 第49-51页 |
| ·支持向量机 | 第51-53页 |
| ·支持向量机的核函数 | 第53-54页 |
| ·SVM中的参数选择 | 第54-57页 |
| ·推广能力的评价标准 | 第54-56页 |
| ·SVM核函数选择 | 第56页 |
| ·径向基函数SVM的性能分析 | 第56-57页 |
| ·参数C和σ的确定方法 | 第57页 |
| ·本章小结 | 第57-60页 |
| 第四章 基于SVM的字符识别及学习机制的引入 | 第60-70页 |
| ·特征归一化 | 第60-61页 |
| ·构建分类器 | 第61-63页 |
| ·选择核函数 | 第63-64页 |
| ·RBF参数确定 | 第64-66页 |
| ·学习机制的引入 | 第66-67页 |
| ·结果分析 | 第67-70页 |
| 第五章 系统的软件实现 | 第70-76页 |
| ·数据库操作 | 第70-72页 |
| ·系统运行 | 第72-74页 |
| ·本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| ·主要研究工作总结 | 第76页 |
| ·展望 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 研究生期间所发表的论文 | 第81-82页 |
| 致谢 | 第82页 |