复杂场景下基于OpenCV的车牌识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 选题的背景和意义 | 第9-10页 |
| 1.2 国内外发展现状 | 第10页 |
| 1.3 论文结构安排 | 第10-12页 |
| 第二章 常用车牌定位与分割方法 | 第12-27页 |
| 2.1 车牌的标准与属性 | 第12-13页 |
| 2.2 基于色彩空间的车牌定位方法 | 第13-18页 |
| 2.2.1 HSV预处理 | 第13-15页 |
| 2.2.2 形态学处理 | 第15-17页 |
| 2.2.3 车牌区域外接轮廓的获得 | 第17页 |
| 2.2.4 候选区域的粗定位 | 第17-18页 |
| 2.3 基于边缘检测的车牌定位方法 | 第18-23页 |
| 2.3.1 车牌图像噪声的去除 | 第19-20页 |
| 2.3.2 灰度化 | 第20页 |
| 2.3.3 Sobel边缘检测算子 | 第20-21页 |
| 2.3.4 二值化处理 | 第21-22页 |
| 2.3.5 边缘检测定位的后续操作 | 第22-23页 |
| 2.4 车牌倾斜纠正算法 | 第23-24页 |
| 2.5 车牌的分割 | 第24-26页 |
| 2.5.1 常用分割算法分析 | 第24-25页 |
| 2.5.2 基于轮廓法的车牌分割 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 复杂场景下的车牌定位与分割方法 | 第27-40页 |
| 3.1 最大极值稳定区域实现车牌定位 | 第27-33页 |
| 3.1.1 最大极值稳定区域的提取 | 第28-30页 |
| 3.1.2 最大极值稳定区域的筛选 | 第30-31页 |
| 3.1.3 最大极值稳定区域的合并 | 第31-33页 |
| 3.2 候选车牌的精确定位 | 第33-36页 |
| 3.2.1 支持向量机主要内容 | 第33-34页 |
| 3.2.2 特征提取 | 第34-35页 |
| 3.2.3 车牌模型的训练 | 第35-36页 |
| 3.3 复杂场景下车牌的分割 | 第36-37页 |
| 3.3.1 自适应阈值化 | 第36-37页 |
| 3.4 测试结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 车牌字符识别 | 第40-47页 |
| 4.1 神经网络概述 | 第40-43页 |
| 4.1.1 人工神经网络基本原理 | 第40-41页 |
| 4.1.2 BP神经网络基本原理 | 第41-42页 |
| 4.1.3 BP神经网络算法的缺陷与改进 | 第42-43页 |
| 4.2 基于弹性BP神经网络的车牌字符识别 | 第43-45页 |
| 4.2.1 弹性BP神经网络的构建 | 第43页 |
| 4.2.2 字符模型训练 | 第43-45页 |
| 4.3 实验结果与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 在读期间发表的学术论文及参加的项目 | 第52-53页 |
| 致谢 | 第53页 |
