人民币纸币面额的机器视觉识别方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-12页 |
| ·课题的背景及意义 | 第8-9页 |
| ·当前国内外研究概况 | 第9-10页 |
| ·国外研究现状 | 第9页 |
| ·国内研究现状 | 第9-10页 |
| ·论文主要研究内容和章节安排 | 第10-11页 |
| ·硬件与软件环境 | 第11-12页 |
| 2 纸币图像的数字化与识别流程 | 第12-20页 |
| ·图像数字化的原理 | 第12-14页 |
| ·图像数字化采集设备的特点及选取 | 第14-16页 |
| ·图像表示及存储格式 | 第16-18页 |
| ·图像表示 | 第16-17页 |
| ·图像的存储格式 | 第17-18页 |
| ·纸币图像的识别流程 | 第18-20页 |
| 3 人民币纸币图像预处理 | 第20-38页 |
| ·图像的平滑 | 第21-25页 |
| ·图像的噪声分析 | 第21-22页 |
| ·图像平滑方法 | 第22-25页 |
| ·纸币图像的阈值分割 | 第25-26页 |
| ·纸币图像的倾斜校正 | 第26-30页 |
| ·纸币图像的倾角获取 | 第26-28页 |
| ·纸币图像的旋转校正 | 第28-30页 |
| ·纸币图像的目标提取 | 第30-34页 |
| ·纸币图像的增强 | 第34-36页 |
| ·灰度直方图的概念 | 第34-35页 |
| ·直方图的均衡化 | 第35-36页 |
| ·图像二值化 | 第36-38页 |
| 4 纸币图像的特征分析与提取 | 第38-46页 |
| ·纸币图像的特征分析 | 第39-41页 |
| ·图像特征提取 | 第41-46页 |
| ·掩膜的概念 | 第41-44页 |
| ·轴对称掩膜 | 第44-45页 |
| ·类轴对称掩膜特征提取法 | 第45-46页 |
| 5 基于神经网络的面额识别方法 | 第46-58页 |
| ·模式识别 | 第46-49页 |
| ·基于人工神经网络的模式识别方法 | 第49-51页 |
| ·神经网络模式识别特点 | 第49-50页 |
| ·神经网络模型 | 第50-51页 |
| ·BP神经网络识别方法 | 第51-58页 |
| ·BP神经网络的模型及特点 | 第52-53页 |
| ·BP网络学习算法 | 第53-55页 |
| ·BP多层前馈网络的主要能力 | 第55页 |
| ·BP算法的改进 | 第55-58页 |
| 6 面额识别的BP神经网络的设计与实现 | 第58-70页 |
| ·BP神经网络的设计 | 第58-61页 |
| ·网络的层数 | 第58页 |
| ·输入层和输出层单元数的确定 | 第58页 |
| ·隐含层的神经元数 | 第58-59页 |
| ·初始权值和神经元激励函数的选取 | 第59-60页 |
| ·学习速率-动量系数的选取 | 第60-61页 |
| ·仿真实验 | 第61-68页 |
| ·网络训练样本集的设计 | 第61-65页 |
| ·网络训练与测试 | 第65-68页 |
| ·试验结果分析 | 第68-69页 |
| ·小结 | 第69-70页 |
| 7 结论与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表学术论文情况 | 第75-76页 |
| 致谢 | 第76-77页 |
