| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 智能卡数字识别技术的国内外研究现状 | 第11-13页 |
| 1.3 研究的主要内容和思路 | 第13-14页 |
| 1.4 本文的关键技术 | 第14页 |
| 1.5 本文的创新点 | 第14-15页 |
| 1.6 本文的结构安排 | 第15-16页 |
| 第二章 智能卡招领系统的方案设计 | 第16-24页 |
| 2.1 智能卡自动招领系统总体框架 | 第17-18页 |
| 2.2 智能卡自动招领系统的招领流程 | 第18-19页 |
| 2.3 智能卡招领系统的硬件结构 | 第19-21页 |
| 2.4 智能卡招领系统的软件结构 | 第21-24页 |
| 2.4.1 智能卡招领系统的软件系统的作用 | 第21页 |
| 2.4.2 数字识别程序 | 第21-23页 |
| 2.4.3 服务器软件框架 | 第23-24页 |
| 第三章 智能卡招领系统中的图像预处理 | 第24-45页 |
| 3.1 图像的预处理 | 第24-27页 |
| 3.1.1 图像灰度化 | 第24-25页 |
| 3.1.2 图像的二值化 | 第25-26页 |
| 3.1.3 图像的边缘提取 | 第26-27页 |
| 3.2 图像的矫正 | 第27-31页 |
| 3.2.1 倾斜校正方案 | 第28-29页 |
| 3.2.2 Hough检测 | 第29-30页 |
| 3.2.3 智能卡图像的矫正 | 第30-31页 |
| 3.3 复杂背景的去除 | 第31-35页 |
| 3.3.1 问题的描述 | 第31页 |
| 3.3.2 Fast角点检测和改进 | 第31-33页 |
| 3.3.3 基于多种方法融合的背景去除 | 第33-35页 |
| 3.4 图像的分类和定位 | 第35-41页 |
| 3.4.1 人脸检测用于身份证数字定位 | 第35-38页 |
| 3.4.2 SIFT特征用于银行卡的分类和数字定位 | 第38-41页 |
| 3.5 图像的分割 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 智能卡招领系统的数字识别 | 第45-54页 |
| 4.1 印刷体数据集的建立 | 第45-47页 |
| 4.2 数字识别中方法概述 | 第47-48页 |
| 4.2.1 模板匹配识别 | 第47页 |
| 4.2.2 K-近邻 | 第47页 |
| 4.2.3 神经网络 | 第47-48页 |
| 4.3 BP神经网络的介绍 | 第48-50页 |
| 4.4 BP神经网络的设计和优化 | 第50-53页 |
| 4.4.1 输入、输出和数据集的选择 | 第50页 |
| 4.4.2 激活函数的设计 | 第50-51页 |
| 4.4.3 网络结构的设计 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 智能卡招领系统的系统测试 | 第54-66页 |
| 5.1 开发工具及web应用搭建 | 第54-59页 |
| 5.1.1 服务器开发工具介绍 | 第54-55页 |
| 5.1.2 Django开发环境搭建 | 第55-57页 |
| 5.1.3 Web应用开发 | 第57页 |
| 5.1.4 服务器与客户端的通讯实现 | 第57-59页 |
| 5.1.5 服务器识别程序的调用 | 第59页 |
| 5.2 系统的功能测试 | 第59-64页 |
| 5.2.1 测试环境 | 第60页 |
| 5.2.2 测试过程和效果展示 | 第60-64页 |
| 5.3 系统的性能测试 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结和展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-73页 |
| 攻读硕士期间发表论文 | 第73页 |