车牌字符识别技术的研究和实现
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 问题的提出 | 第14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.2.1 国外研究现状 | 第15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 研究内容及组织结构 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 本文组织结构 | 第17-18页 |
| 第二章 车牌图像增强算法研究 | 第18-31页 |
| 2.1 图像增强算法概述 | 第18-19页 |
| 2.2 灰度图像增强 | 第19-25页 |
| 2.2.1 阈值处理 | 第19-21页 |
| 2.2.2 灰度级形态学 | 第21-24页 |
| 2.2.3 灰度级重构运算 | 第24-25页 |
| 2.3 本文的车牌增强算法 | 第25-29页 |
| 2.4 测试与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于模板匹配的识别算法研究 | 第31-39页 |
| 3.1 改进的车牌字符分割方法 | 第31-33页 |
| 3.2 全局重合度函数 | 第33-35页 |
| 3.3 函数效率分析 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于图像特征的识别算法研究 | 第39-53页 |
| 4.1 基于车牌图像的特征提取算法 | 第39-48页 |
| 4.1.1 SURF特征 | 第39-45页 |
| 4.1.2 HOG特征 | 第45-48页 |
| 4.2 分类器设计 | 第48-51页 |
| 4.2.1 支持向量机 | 第48-50页 |
| 4.2.2 最小距离分类器 | 第50-51页 |
| 4.3 测试与分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于深度学习的识别算法研究 | 第53-68页 |
| 5.1 神经网络 | 第53-54页 |
| 5.2 基于M-SCNN卷积神经网络的车牌识别 | 第54-62页 |
| 5.2.1 卷积与池化 | 第54-56页 |
| 5.2.2 激励函数 | 第56-58页 |
| 5.2.3 学习算法 | 第58-60页 |
| 5.2.4 网络结构设计 | 第60-62页 |
| 5.3 试验与分析 | 第62-67页 |
| 5.3.1 卷积核个数和感受野的选择 | 第63-65页 |
| 5.3.2 不同的池化方法和核函数的选择 | 第65-66页 |
| 5.3.3 各类识别方法比较 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第74-75页 |
