| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-14页 |
| ·课题研究的背景和意义 | 第10-11页 |
| ·课题研究的背景 | 第10页 |
| ·课题研究的实用与学术意义 | 第10-11页 |
| ·课题在国内处研究动态综述 | 第11-13页 |
| ·本课题需要解决的基本问题 | 第11页 |
| ·车牌识别技术的研究现状 | 第11页 |
| ·目前国内外车牌识别研究概述 | 第11-13页 |
| ·本文研究内容的安排 | 第13-14页 |
| 2 基于 AdaBoost 的车牌定位的研究 | 第14-24页 |
| ·车牌定位介绍 | 第14页 |
| ·车牌定位的现状 | 第14-15页 |
| ·车牌在车牌图像中的特点 | 第15-16页 |
| ·车牌图像定位与分割的难点 | 第16-17页 |
| ·基于 AdaBoost 的车牌定位的研究 | 第17-23页 |
| ·类哈尔（haar-like）特征 | 第17-18页 |
| ·积分图 | 第18-20页 |
| ·弱分类器 | 第20页 |
| ·AdaBoost 算法 | 第20-21页 |
| ·级联分类器 | 第21-23页 |
| ·小结 | 第23-24页 |
| 3 改进的 AdaBoost 算法 | 第24-41页 |
| ·车牌与非车牌的比较 | 第24页 |
| ·改进的检测系统结构 | 第24-28页 |
| ·级联分类器的训练方式 | 第25页 |
| ·级联分类器的分类检测过程 | 第25页 |
| ·跳变特征和跳变密度方差 | 第25-27页 |
| ·本文方法与AdaBoost 训练强分类器方法的比较 | 第27-28页 |
| ·改进的类 Haar 特征 | 第28-30页 |
| ·倾斜类Haar 特征 | 第28-29页 |
| ·倾斜类Haar 特征的计算 | 第29-30页 |
| ·基于类积分图的弱分类器阈值查找算法 | 第30-32页 |
| ·自动非车牌测试样本生成 | 第32-35页 |
| ·非车牌自动生成系统 | 第32-34页 |
| ·预生成非车牌方法 | 第34-35页 |
| ·后处理 | 第35页 |
| ·实验 | 第35-39页 |
| ·实验方案 | 第35-37页 |
| ·实验结果及其分析 | 第37-38页 |
| ·车牌定位效果图 | 第38-39页 |
| ·小结 | 第39-41页 |
| 4 车牌字符识别预处理 | 第41-47页 |
| ·车牌图像倾斜分析 | 第41页 |
| ·常见的解决方式 | 第41-42页 |
| ·基于 Radon 变换的车牌倾斜校正 | 第42-44页 |
| ·去除车牌边框 | 第44页 |
| ·车牌字符分割 | 第44-45页 |
| ·基于投影法的字符分割 | 第45-46页 |
| ·字符分割实验结果 | 第46页 |
| ·小结 | 第46-47页 |
| 5 车牌字符识别 | 第47-64页 |
| ·字符识别概述 | 第47页 |
| ·车牌字符识别的特点 | 第47-48页 |
| ·字符识别研究现状 | 第48-49页 |
| ·识别流程 | 第49-50页 |
| ·特征提取 | 第50-53页 |
| ·字符轮廓特征 | 第51-52页 |
| ·字符13 特征 | 第52-53页 |
| ·字符的归一化处理 | 第53-54页 |
| ·基于粗分类的字符识别 | 第54-57页 |
| ·基于孔洞特征和相对跳变特征的粗分类 | 第54-55页 |
| ·字符相对跳变特征 | 第55-56页 |
| ·字符骨骼化 | 第56-57页 |
| ·遗传算法训练神经网络 | 第57-61页 |
| ·神经网络结构设计 | 第57-58页 |
| ·算法设计 | 第58-60页 |
| ·染色体设计 | 第60页 |
| ·自适应参数 | 第60-61页 |
| ·适应度函数 | 第61页 |
| ·实验结果与分析 | 第61-63页 |
| ·小结 | 第63-64页 |
| 6 结论与展望 | 第64-66页 |
| ·结论 | 第64-65页 |
| ·工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71-73页 |