基于分阶的BP和CNN车牌识别
| 附件 | 第4-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 引言 | 第13页 |
| 1.2 课题研究背景和意义 | 第13页 |
| 1.3 国内外研究现状及难点 | 第13-14页 |
| 1.4 本文的研究内容与创新之处 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 第二章 图像预处理 | 第17-25页 |
| 2.1 我国车牌标准格式 | 第17页 |
| 2.2 彩色图像灰度化 | 第17-18页 |
| 2.3 图像采样 | 第18页 |
| 2.4 图像边缘纹理提取 | 第18-20页 |
| 2.5 边缘纹理图像增强和滤波 | 第20-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 车牌定位 | 第25-31页 |
| 3.1 图像二值化 | 第25页 |
| 3.2 图像形态学变换 | 第25-28页 |
| 3.3 搜索连通区域定位车牌 | 第28-29页 |
| 3.4 本章小结 | 第29-31页 |
| 第四章 车牌校正与字符分割 | 第31-37页 |
| 4.1 车牌图像的滤波和增强 | 第31-32页 |
| 4.2 车牌倾斜校正 | 第32-33页 |
| 4.3 基于垂直投影的字符分割 | 第33-35页 |
| 4.4 字符图像归一化 | 第35-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 基于分阶的BP和CNN车牌识别 | 第37-63页 |
| 5.1 BP神经网络 | 第37-41页 |
| 5.2 CNN深层神经网络 | 第41-49页 |
| 5.3 改进的CNN深层神经网络 | 第49-50页 |
| 5.4 基于分阶的BP和CNN车牌识别 | 第50-62页 |
| 5.4.1 一级BP神经网络一次分类 | 第51-55页 |
| 5.4.1.1 汉字BP网络 | 第51-54页 |
| 5.4.1.2 数字字母BP网络 | 第54-55页 |
| 5.4.2 二级改进的CNN深层神经网络二次分类 | 第55-62页 |
| 5.4.2.1 特征提取 | 第55-57页 |
| 5.4.2.2 网络设计 | 第57页 |
| 5.4.2.3 网络参数设置 | 第57页 |
| 5.4.2.4 网络训练 | 第57-58页 |
| 5.4.2.5 实验结果和分析 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录A (攻读硕士学位期间发表的软著目录) | 第71页 |
