| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 复杂条件下车牌识别技术的难点 | 第9-10页 |
| 1.4 本文的主要研究内容 | 第10-11页 |
| 1.5 论文的章节安排 | 第11-13页 |
| 第2章 车牌识别系统相关基础介绍 | 第13-20页 |
| 2.1 我国车牌的相关特征 | 第13-14页 |
| 2.2 车牌识别相关机器学习算法简介 | 第14-17页 |
| 2.2.1 支持向量机(SVM) | 第14-16页 |
| 2.2.2 卷积神经网络 | 第16-17页 |
| 2.3 样本图像的采集和使用说明 | 第17-20页 |
| 第3章 车牌定位算法 | 第20-48页 |
| 3.1 目前主流的几种车牌定位算法 | 第20-21页 |
| 3.2 样本图像的预处理 | 第21-23页 |
| 3.2.1 高斯模糊 | 第21-22页 |
| 3.2.2 样本图像的灰度化 | 第22-23页 |
| 3.3 基于颜色信息和边缘检测的车牌定位方法 | 第23-39页 |
| 3.3.1 HSI模型 | 第23-26页 |
| 3.3.2 边缘检测 | 第26-28页 |
| 3.3.3 数学形态学操作 | 第28-30页 |
| 3.3.4 自定义区域连接 | 第30-31页 |
| 3.3.5 车牌区域连通域的提取 | 第31-32页 |
| 3.3.6 倾斜车牌的分段校正 | 第32-36页 |
| 3.3.7 基于支持向量机(SVM)的伪车牌去除 | 第36-39页 |
| 3.4 基于最大稳定极值区域的车牌定位方法 | 第39-48页 |
| 3.4.1 样本图像的预处理和最大稳定极值区域(MSER)的提取 | 第40-41页 |
| 3.4.2 最大稳定极值区域(MSER)提取方法的改进 | 第41-43页 |
| 3.4.3 车牌字符区域的搜索及车牌区域的提取 | 第43-46页 |
| 3.4.4 字符分类器 | 第46-48页 |
| 第4章 车牌字符的分割算法 | 第48-54页 |
| 4.1 常用的字符分割算法 | 第48-49页 |
| 4.2 中文车牌字符分割的难点 | 第49页 |
| 4.3 本文所使用的字符分割算法 | 第49-54页 |
| 4.3.1 车牌区域连通域的二值化 | 第50页 |
| 4.3.2 结合先验信息的车牌字符连通域提取 | 第50-54页 |
| 第5章 字符识别算法 | 第54-62页 |
| 5.1 车牌字符识别的难点 | 第54页 |
| 5.2 本文使用的字符数据集 | 第54-56页 |
| 5.3 常用的字符识别算法 | 第56-57页 |
| 5.4 本文的字符识别算法 | 第57-62页 |
| 5.4.1 LeNet-5的网络结构 | 第57-59页 |
| 5.4.2 改进的LeNet-5模型 | 第59-60页 |
| 5.4.3 算法测试及性能分析 | 第60-62页 |
| 第6章 算法的实现和结果分析 | 第62-69页 |
| 6.1 相关识别算法的结构框架 | 第62-63页 |
| 6.2 车牌识别算法的系统实现 | 第63-64页 |
| 6.2.1 软件开发环境 | 第63页 |
| 6.2.2 软件开发情况 | 第63-64页 |
| 6.3 实验结果分析 | 第64-69页 |
| 6.3.1 车牌定位的结果分析 | 第64-67页 |
| 6.3.2 字符分割的结果分析 | 第67页 |
| 6.3.3 字符识别的结果分析 | 第67-69页 |
| 第7章 总结与展望 | 第69-71页 |
| 7.1 本文的工作总结 | 第69-70页 |
| 7.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第75页 |