机器学习和卷积神经网络在车牌识别的研究和应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 车牌识别的难点和要点 | 第12-13页 |
| 1.3.1 客观环境因素 | 第12页 |
| 1.3.2 字符分割中的难点 | 第12页 |
| 1.3.3 字符识别中的难点 | 第12-13页 |
| 1.4 本文所用到的开源库 | 第13页 |
| 1.5 本文研究的主要内容 | 第13-16页 |
| 第二章 车牌识别图像处理基础 | 第16-49页 |
| 2.1 引言 | 第16页 |
| 2.2 图像预处理 | 第16-35页 |
| 2.2.1 图像颜色空间转换 | 第16-18页 |
| 2.2.2 图像增强 | 第18-21页 |
| 2.2.3 图像缩放 | 第21-22页 |
| 2.2.4 图像滤波 | 第22-25页 |
| 2.2.5 边缘检测 | 第25-31页 |
| 2.2.6 形态学计算 | 第31-34页 |
| 2.2.7 形态学的基本算法 | 第34-35页 |
| 2.3 图像特征提取与机器学习 | 第35-49页 |
| 2.3.1 SVM支持向量机 | 第35-40页 |
| 2.3.2 BP神经网络 | 第40-44页 |
| 2.3.3 图像特征提取 | 第44-49页 |
| 第三章 车牌定位 | 第49-80页 |
| 3.1 车牌定位常用方法 | 第49-52页 |
| 3.1.1 车牌特征 | 第49-50页 |
| 3.1.2 常用车牌定位方法 | 第50-52页 |
| 3.2 本文提出的车牌定位方法 | 第52-80页 |
| 3.2.1 HSV颜色定位 | 第53-57页 |
| 3.2.2 改进的Sobel算子定位 | 第57-62页 |
| 3.2.3 候选图片阈值化处理 | 第62-64页 |
| 3.2.4 形态学闭运算 | 第64-66页 |
| 3.2.5 提取连通域的外接矩形 | 第66-67页 |
| 3.2.6 车牌基本验证 | 第67页 |
| 3.2.7 能量强度验证 | 第67-68页 |
| 3.2.8 SVM+LBP特征确认车牌 | 第68-72页 |
| 3.2.9 深度学习定位车牌 | 第72-80页 |
| 第四章 车牌字符分割提取 | 第80-93页 |
| 4.1 引言 | 第80页 |
| 4.2 车牌阈值化处理 | 第80-84页 |
| 4.2.1 BP神经网络设计 | 第81-83页 |
| 4.2.2 BP神经网络阈值化 | 第83-84页 |
| 4.3 车牌倾斜校正 | 第84-88页 |
| 4.4 车牌字符分割 | 第88-93页 |
| 4.4.1 车牌编码规则 | 第88-89页 |
| 4.4.2 车牌的几何特征 | 第89-93页 |
| 第五章 车牌字符识别 | 第93-106页 |
| 5.1 引言 | 第93-95页 |
| 5.2 卷积神经网络 | 第95-96页 |
| 5.3 LeNet-5 | 第96-98页 |
| 5.4 改进LeNet-5 | 第98-106页 |
| 第六章 总结和展望 | 第106-108页 |
| 参考文献 | 第108-113页 |
| 攻读硕士学位期间取得的研究成果 | 第113-114页 |
| 致谢 | 第114-115页 |
| 附表 | 第115页 |
