移动式重点车辆比对与预警算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第10-15页 |
| 1.1 课题背景及意义 | 第10页 |
| 1.2 自动车牌识别技术研究现状 | 第10-13页 |
| 1.3 本文所研究的内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 2 基础知识 | 第15-19页 |
| 2.1 图像直方图与灰度化 | 第15页 |
| 2.2 图像滤波 | 第15-16页 |
| 2.3 仿射变换 | 第16-17页 |
| 2.4 有监督学习和贝叶斯分类器 | 第17-19页 |
| 3 车牌检测算法 | 第19-35页 |
| 3.1 车牌规格和检测流程 | 第19-21页 |
| 3.2 图像预处理和竖直边缘检测 | 第21页 |
| 3.3 阈值运算 | 第21-23页 |
| 3.4 形态学运算 | 第23-24页 |
| 3.5 轮廓提取和泛洪填充 | 第24-26页 |
| 3.6 车牌图像的标准化与特征提取 | 第26-27页 |
| 3.7 支持向量机 | 第27-34页 |
| 3.7.1 原始优化问题 | 第27-29页 |
| 3.7.2 KKT条件和拉格朗日对偶问题 | 第29-31页 |
| 3.7.3 不可分的情况和顺序最小优化算法 | 第31-34页 |
| 3.8 本章小结 | 第34-35页 |
| 4 车牌识别算法 | 第35-49页 |
| 4.1 车牌识别流程 | 第35-36页 |
| 4.2 字符图像特征提取 | 第36-39页 |
| 4.3 人工神经网络 | 第39-48页 |
| 4.3.1 感知器算法 | 第39-41页 |
| 4.3.2 多层感知器的结构 | 第41-44页 |
| 4.3.3 BP神经网络 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 用主成分分析降低样本复杂度 | 第49-55页 |
| 5.1 方差和偏差 | 第49页 |
| 5.2 经验风险最小化和样本复杂度 | 第49-52页 |
| 5.3 主成分分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 实验验证与分析 | 第55-65页 |
| 6.1 移动机器人的设计和制作 | 第55-57页 |
| 6.2 系统调试和流程展示平台的搭建 | 第57-58页 |
| 6.3 支持向量机分类正确率 | 第58页 |
| 6.4 车牌检测和车牌分割准确率 | 第58-59页 |
| 6.5 试错法选取最佳神经网络超参数 | 第59-60页 |
| 6.6 用主成分分析进一步提高字符识别准确率 | 第60-61页 |
| 6.7 系统识别结果展示和整体车牌识别准确率 | 第61-63页 |
| 6.8 郑州大学校园识别结果 | 第63-64页 |
| 6.9 车牌识别实时性和报警 | 第64-65页 |
| 7 结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69页 |
