基于粒子群神经网络的移动机器人门牌号码识别技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-15页 |
| ·引言 | 第7-8页 |
| ·移动机器人视觉的研究现状 | 第8-10页 |
| ·移动机器人门牌号码识别研究的意义 | 第10-11页 |
| ·移动机器人门牌号码识别的研究内容 | 第11-12页 |
| ·本文的主要工作及内容安排 | 第12-15页 |
| 2 门牌图像预处理 | 第15-29页 |
| ·引言 | 第15页 |
| ·门牌图像采集系统硬件组成 | 第15页 |
| ·常用预处理技术 | 第15-20页 |
| ·灰度化处理 | 第15-16页 |
| ·中值滤波 | 第16-17页 |
| ·边缘检测 | 第17-19页 |
| ·直方图 | 第19-20页 |
| ·基于粗细定位相结合的门牌号码精确定位方法 | 第20-25页 |
| ·基于HSI色彩空间模型的门牌粗定位 | 第20-23页 |
| ·基于边缘特征的门牌细定位 | 第23-25页 |
| ·门牌定位结果处理 | 第25页 |
| ·基于字符轮廓特征的门牌号码分割 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 3 粒子群神经网络 | 第29-41页 |
| ·引言 | 第29页 |
| ·神经网络简介 | 第29-30页 |
| ·常用的神经网络 | 第30-32页 |
| ·BP络 | 第30-31页 |
| ·RBF网络 | 第31-32页 |
| ·粒子群算法简介 | 第32-35页 |
| ·粒子群算法基本原理 | 第32-33页 |
| ·粒子群算法的特点 | 第33-34页 |
| ·粒子群算法基本步骤 | 第34-35页 |
| ·粒子群算法的参数设置 | 第35页 |
| ·粒子群神经网络 | 第35-40页 |
| ·基于粒子群算法的神经网络学习算法 | 第36-39页 |
| ·粒子群神经网络性能分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于粒子群神经网络的门牌识别 | 第41-63页 |
| ·引言 | 第41-42页 |
| ·常用的字符识别算法 | 第42-46页 |
| ·基于模板匹配的字符识别 | 第43-44页 |
| ·基于字符特征识别法 | 第44-46页 |
| ·基于神经网络的字符识别 | 第46页 |
| ·基于粒子群神经网络的门牌识别 | 第46-56页 |
| ·粗分类 | 第47-50页 |
| ·细分类 | 第50-53页 |
| ·粒子群神经网络分类器设计 | 第53-55页 |
| ·判别准则 | 第55-56页 |
| ·神经网络参数整定实验 | 第56-62页 |
| ·样本的选取 | 第56-57页 |
| ·不同网络结构下粒子群神经网络识别结果比较 | 第57-59页 |
| ·不同参数值下粒子群神经网络识别结果比较 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 5 移动机器人门牌识别系统设计 | 第63-71页 |
| ·AS-R移动机器人实验平台 | 第63页 |
| ·实际系统工程实现 | 第63-67页 |
| ·实验结果与分析 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| ·总结与回顾 | 第71-72页 |
| ·进一步工作展望 | 第72-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
