基于神经网络的车牌识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第2章 车牌图像处理技术 | 第14-32页 |
| 2.1 灰度化及图像增强 | 第14-17页 |
| 2.1.1 图像灰度化 | 第14-15页 |
| 2.1.2 图像增强 | 第15-17页 |
| 2.2 二值化 | 第17-18页 |
| 2.3 边缘检测 | 第18-21页 |
| 2.3.1 Robert算子 | 第18-19页 |
| 2.3.2 Prewitt算子 | 第19页 |
| 2.3.3 Sobel算子 | 第19页 |
| 2.3.4 Canny算子 | 第19-21页 |
| 2.4 车牌定位 | 第21-25页 |
| 2.4.1 基于纹理特征分析的车牌定位 | 第21-23页 |
| 2.4.2 基于数学形态学的车牌定位 | 第23-24页 |
| 2.4.3 基于小波变换的车牌定位 | 第24-25页 |
| 2.5 字符分割 | 第25-28页 |
| 2.5.1 基于垂直投影法的字符分割 | 第25-27页 |
| 2.5.2 基于连通域特征的字符分割 | 第27-28页 |
| 2.6 字符识别 | 第28-30页 |
| 2.6.1 模板匹配算法 | 第29页 |
| 2.6.2 基于BP神经网络的识别算法 | 第29-30页 |
| 2.7 本章小结 | 第30-32页 |
| 第3章 卷积神经网络 | 第32-41页 |
| 3.1 深度学习介绍 | 第32页 |
| 3.2 卷积神经网络概述 | 第32-34页 |
| 3.3 卷积神经网络推导及实现 | 第34-36页 |
| 3.3.1 卷积层 | 第35页 |
| 3.3.2 子采样层 | 第35-36页 |
| 3.3.3 完全连接层 | 第36页 |
| 3.4 卷积神经网络结构 | 第36-39页 |
| 3.4.1 稀疏连接 | 第37-38页 |
| 3.4.2 权值共享 | 第38-39页 |
| 3.4.3 池化层 | 第39页 |
| 3.5 卷积神经网络的训练 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于卷积神经网络的车牌识别 | 第41-50页 |
| 4.1 车牌图像预处理 | 第41-45页 |
| 4.1.1 车牌图像的灰度化 | 第41-43页 |
| 4.1.2 车牌图像二值化 | 第43-44页 |
| 4.1.3 车牌边缘检测 | 第44-45页 |
| 4.2 车牌定位的实现 | 第45-46页 |
| 4.3 车牌字符分割 | 第46-47页 |
| 4.4 基于卷积神经网络的字符识别 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 实验结果分析 | 第50-54页 |
| 5.1 实验结果测试 | 第50-52页 |
| 5.2 实验结果分析 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |
