车牌检测算法研究
摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-18页 |
1.1 课题研究背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.2.1 车牌识别技术研究现状 | 第11-12页 |
1.2.2 车牌检测技术研究现状 | 第12-13页 |
1.3 研究内容 | 第13-15页 |
1.3.1 研究目标 | 第13页 |
1.3.2 车牌检测 | 第13-14页 |
1.3.3 嵌入式实现 | 第14-15页 |
1.3.4 技术难点 | 第15页 |
1.4 论文主要内容及章节安排 | 第15-18页 |
第二章 基于扩展Haar特征的检测算法 | 第18-36页 |
2.1 特征选择方案概述 | 第18-19页 |
2.1.1 车牌的基本特点 | 第18-19页 |
2.1.2 常用特征比较 | 第19页 |
2.2 Haar特征 | 第19-23页 |
2.2.1 基础Haar特征 | 第19-20页 |
2.2.2 扩展Haar特征 | 第20-21页 |
2.2.3 特征快速计算 | 第21-23页 |
2.3 训练分类器 | 第23-28页 |
2.3.1 样本采集 | 第23-24页 |
2.3.2 预处理 | 第24-25页 |
2.3.3 构造分类器 | 第25-28页 |
2.4 检测框架 | 第28-31页 |
2.4.1 多尺度检测 | 第28-30页 |
2.4.2 目标窗口合并 | 第30-31页 |
2.5 实验结果与分析 | 第31-35页 |
2.5.1 实验环境与测试数据 | 第31-32页 |
2.5.2 实验结果 | 第32-33页 |
2.5.3 结果分析 | 第33-35页 |
2.6 小结 | 第35-36页 |
第三章 基于级联结构的检测算法 | 第36-52页 |
3.1 Boosting算法简介 | 第36页 |
3.2 Adaboost算法及其变种 | 第36-40页 |
3.2.1 Discrete Adaboost | 第36-37页 |
3.2.2 Real Adaboost | 第37-38页 |
3.2.3 Gentle Adaboost | 第38页 |
3.2.4 FloatBoost | 第38-40页 |
3.3 Soft Cascade训练算法 | 第40-47页 |
3.3.1 传统级联结构 | 第40-41页 |
3.3.2 Soft Cacsade结构 | 第41-43页 |
3.3.3 Soft Cascade分类器训练 | 第43-45页 |
3.3.4 Soft Cascade分类器标定 | 第45-47页 |
3.4 检测框架 | 第47页 |
3.5 实验结果与分析 | 第47-50页 |
3.5.1 实验结果 | 第47-48页 |
3.5.2 实验分析 | 第48-50页 |
3.6 小结 | 第50-52页 |
第四章 嵌入式实现与优化 | 第52-72页 |
4.1 硬件平台简介 | 第52-53页 |
4.2 开发环境建立 | 第53-56页 |
4.2.1 主机平台 | 第53页 |
4.2.2 交叉编译器 | 第53-54页 |
4.2.3 跟踪调试工具 | 第54页 |
4.2.4 系统启动测试 | 第54-56页 |
4.3 嵌入式软件设计 | 第56-58页 |
4.3.1 功能设计 | 第56-57页 |
4.3.2 基于V4L2的视频传输 | 第57-58页 |
4.4 算法移植 | 第58-61页 |
4.4.1 C++到C语言的转化 | 第58-59页 |
4.4.2 重写OpenCV函数 | 第59-60页 |
4.4.3 程序接口的更改 | 第60-61页 |
4.5 优化方法 | 第61-67页 |
4.5.1 降采样优化 | 第62页 |
4.5.2 搜索区域优化 | 第62-63页 |
4.5.3 扫描步长优化 | 第63页 |
4.5.4 数据类型优化 | 第63页 |
4.5.5 数值操作优化 | 第63-64页 |
4.5.6 浮点运算优化 | 第64页 |
4.5.7 软件流水优化 | 第64-66页 |
4.5.8 编译器优化 | 第66-67页 |
4.6 实验结果与分析 | 第67-69页 |
4.6.1 系统运行结果 | 第67-68页 |
4.6.2 性能优化分析 | 第68-69页 |
4.7 小结 | 第69-72页 |
第五章 总结与展望 | 第72-74页 |
5.1 总结 | 第72页 |
5.2 展望 | 第72-74页 |
致谢 | 第74-76页 |
参考文献 | 第76-80页 |
作者在攻读硕士学位期间发表的论文和成果 | 第80页 |