| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第16-20页 |
| 1.1 课题的研究背景与研究意义 | 第16页 |
| 1.2 车牌识别系统国内外研究现状 | 第16-17页 |
| 1.3 车牌识别技术的难点 | 第17-18页 |
| 1.4 论文主要研究内容 | 第18页 |
| 1.5 论文结构 | 第18-20页 |
| 2 相关理论介绍 | 第20-24页 |
| 2.1 工具简介 | 第20页 |
| 2.1.1 OpenCV | 第20页 |
| 2.1.2 开源OCR引擎Tesseract | 第20页 |
| 2.2 图像处理相关技术 | 第20-22页 |
| 2.3 车牌识别系统的组成和工作原理 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 车牌图像预处理 | 第24-36页 |
| 3.1 高斯滤波 | 第24-25页 |
| 3.2 双边滤波 | 第25-26页 |
| 3.3 图像边缘检测-拉普拉斯算子 | 第26-30页 |
| 3.4 图像二值化 | 第30-34页 |
| 3.4.1 常用图像二值化的方法 | 第30-31页 |
| 3.4.2 OTSU二值化算法 | 第31页 |
| 3.4.3 基于属性加权朴素贝叶斯分类改进OTSU算法 | 第31-34页 |
| 3.5 灰度图像形态学处理-开操作与闭操作 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 车牌字符定位 | 第36-46页 |
| 4.1 我国车牌的特点 | 第36页 |
| 4.2 车牌定位算法 | 第36-38页 |
| 4.2.1 基于灰度的车牌定位 | 第36-37页 |
| 4.2.2 基于边缘检测的车牌定位 | 第37页 |
| 4.2.3 基于颜色特征的车牌定位 | 第37-38页 |
| 4.2.4 基于机器学习的车牌定位 | 第38页 |
| 4.3 基于灰度的车牌候选区域提取 | 第38-39页 |
| 4.4 基于投影和颜色综合特征的车牌候选区域提取 | 第39-42页 |
| 4.5 本文所使用的车牌定位改进算法 | 第42-45页 |
| 4.5.1 车牌定位的改进算法 | 第42-44页 |
| 4.5.2 实验结果 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 车牌字符分割 | 第46-52页 |
| 5.1 常见的字符分割算法 | 第46-47页 |
| 5.1.1 基于垂直投影的字符分割算法 | 第46页 |
| 5.1.2 基于模板匹配的分割算法 | 第46-47页 |
| 5.1.3 基于三级反馈字符切分方法 | 第47页 |
| 5.2 车牌校正算法 | 第47-50页 |
| 5.2.1 基于Hough变换的倾斜校正 | 第48-49页 |
| 5.2.2 基于Radon变换的倾斜校正 | 第49-50页 |
| 5.3 车牌边框去除与字符分割 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 车牌字符识别 | 第52-63页 |
| 6.1 模板匹配字符识别算法 | 第52页 |
| 6.2 神经网络字符识别算法 | 第52-60页 |
| 6.2.1 神经元 | 第52-53页 |
| 6.2.2 神经网络模型 | 第53-54页 |
| 6.2.3 BP神经网络模型 | 第54-57页 |
| 6.2.4 字符归一化 | 第57-58页 |
| 6.2.5 车牌字符特征提取 | 第58-60页 |
| 6.3 BP神经网络结合OCR进行字符的识别 | 第60-62页 |
| 6.4 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 作者简介及读研期间主要科研成果 | 第68-69页 |