基于粗糙集和模糊SVM的车牌识别技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第1章 绪论 | 第14-19页 |
| ·研究背景及意义 | 第14页 |
| ·国内外车牌识别技术研究的现状 | 第14-16页 |
| ·常用字符识别方法 | 第16-17页 |
| ·课题研究内容 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第2章 支持向量机理论概述 | 第19-29页 |
| ·机器学习的基本问题 | 第19-20页 |
| ·经验风险 | 第19-20页 |
| ·复杂性与推广性 | 第20页 |
| ·统计学习理论的核心内容 | 第20-22页 |
| ·VC 维 | 第20-21页 |
| ·推广性的界 | 第21页 |
| ·结构风险最小化 | 第21-22页 |
| ·支持向量机 | 第22-26页 |
| ·最优分类面 | 第22-23页 |
| ·线性支持向量机 | 第23-25页 |
| ·非线性支持向量机 | 第25-26页 |
| ·SVM 多类识别方法 | 第26-27页 |
| ·核函数的介绍 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第3章 车牌图像的预处理 | 第29-35页 |
| ·车牌图像的采集技术 | 第29页 |
| ·车辆检测 | 第29页 |
| ·车牌图像获取 | 第29页 |
| ·车牌图像增强处理 | 第29-34页 |
| ·灰度转换 | 第29-30页 |
| ·灰度变换增强 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 车牌图像的定位技术 | 第35-42页 |
| ·车牌定位常用方法分析 | 第35-36页 |
| ·基于支持向量机的车牌定位 | 第36-40页 |
| ·纹理的概念 | 第36页 |
| ·车牌区域特征 | 第36-37页 |
| ·训练SVM 分类器 | 第37-38页 |
| ·SVM 分类器的结构 | 第38-39页 |
| ·分割车牌区域 | 第39-40页 |
| ·定位实验结果及分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第5章 车牌图像的分割技术 | 第42-53页 |
| ·图像分割技术 | 第42-43页 |
| ·图像分割的定义 | 第42页 |
| ·常用的车牌分割技术分析 | 第42-43页 |
| ·车牌字符的先验知识 | 第43-44页 |
| ·车牌分割前的预处理 | 第44-49页 |
| ·车牌图像的二值化 | 第44页 |
| ·车牌图像形态学处理 | 第44-47页 |
| ·车牌的倾斜校正 | 第47-48页 |
| ·上下边界的去除 | 第48-49页 |
| ·基于车牌构造的投影分割法 | 第49-52页 |
| ·算法的提出 | 第49-51页 |
| ·算法的改进 | 第51-52页 |
| ·分割实验结果及分析 | 第52页 |
| ·本章小结 | 第52-53页 |
| 第6章 基于粗糙集和模糊SVM 的车牌识别技术 | 第53-68页 |
| ·字符图像的归一化 | 第53-54页 |
| ·位置归一化 | 第53页 |
| ·大小归一化 | 第53-54页 |
| ·车牌字符特征的提取及决策表的构造 | 第54-57页 |
| ·四周边特征 | 第55页 |
| ·投影特征 | 第55-56页 |
| ·粗网格 | 第56-57页 |
| ·字符决策表的离散化 | 第57-58页 |
| ·等距离离散化方法 | 第57页 |
| ·等频率离散化方法 | 第57-58页 |
| ·决策表中属性的约简 | 第58-59页 |
| ·基于支持向量机的车牌识别技术 | 第59-62页 |
| ·SVM 分类方法及样本集的选择 | 第60页 |
| ·核函数及参数的选择 | 第60-61页 |
| ·SVM 识别方法实验结果和分析 | 第61-62页 |
| ·基于粗糙集和模糊SVM 的车牌识别技术 | 第62-66页 |
| ·SVM 多类算法存在的问题 | 第62-63页 |
| ·SVM 多类问题解决方法 | 第63-65页 |
| ·粗糙FSVM 在车牌字符识别中的应用 | 第65-66页 |
| ·FSVM 识别方法实验结果和分析 | 第66页 |
| ·本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间所发表的学术论文 | 第74-76页 |
| 致谢 | 第76-77页 |
| 大摘要 | 第77-81页 |
