雾约束下的车牌识别方法研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车牌识别国外研究现状 | 第10-12页 |
| 1.2.2 车牌识别国内研究现状 | 第12-13页 |
| 1.2.3 雾天车牌识别研究现状 | 第13页 |
| 1.3 系统组成 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 有雾车牌图像的去雾算法研究 | 第16-27页 |
| 2.1 图像退化模型 | 第16-17页 |
| 2.2 暗通道先验去雾算法 | 第17-19页 |
| 2.2.1 暗通道先验理论 | 第17-18页 |
| 2.2.2 基于暗通道的去雾算法 | 第18-19页 |
| 2.3 基于改进的非局部图像去雾算法研究 | 第19-24页 |
| 2.3.1 雾线理论的提出 | 第20-21页 |
| 2.3.2 非局部图像去雾算法 | 第21-22页 |
| 2.3.3 算法改进 | 第22-24页 |
| 2.4 实验结果及分析 | 第24-27页 |
| 2.4.1 数据准备 | 第24-25页 |
| 2.4.2 实验效果对比 | 第25-27页 |
| 第3章 车牌区域定位算法研究 | 第27-49页 |
| 3.1 车牌区域特征提取 | 第27-36页 |
| 3.1.1 车牌区域特征简介 | 第27-28页 |
| 3.1.2 车牌颜色特征提取 | 第28-32页 |
| 3.1.3 车牌边缘特征提取 | 第32-36页 |
| 3.2 车牌候选区域确定 | 第36-38页 |
| 3.2.1 形态学处理 | 第36-37页 |
| 3.2.2 车牌筛选 | 第37-38页 |
| 3.3 车牌偏斜扭正矫正 | 第38-41页 |
| 3.3.1 车牌偏斜情况分类 | 第38-39页 |
| 3.3.2 水平校正 | 第39-40页 |
| 3.3.3 垂直校正 | 第40-41页 |
| 3.4 车牌分类器设计 | 第41-45页 |
| 3.4.1 特征提取 | 第41-42页 |
| 3.4.2 支持向量机分类器 | 第42-45页 |
| 3.5 实验结果与分析 | 第45-49页 |
| 3.5.1 数据准备 | 第45-46页 |
| 3.5.2 车牌定位结果与分析 | 第46-49页 |
| 第4章 车牌字符分割与识别算法研究 | 第49-69页 |
| 4.1 字符分割 | 第49-50页 |
| 4.2 卷积神经网络 | 第50-55页 |
| 4.2.1 卷积神经网络介绍 | 第50-51页 |
| 4.2.2 局部感知和权值共享 | 第51-52页 |
| 4.2.3 卷积神经网络结构 | 第52-55页 |
| 4.3 基于改进LeNet-5 的车牌字符识别 | 第55-59页 |
| 4.3.1 LeNet-5 网络结构 | 第55-57页 |
| 4.3.2 改进的LeNet-5 模型 | 第57-59页 |
| 4.4 实验结果与分析 | 第59-69页 |
| 4.4.1 数据准备 | 第59-61页 |
| 4.4.2 学习率选择 | 第61-63页 |
| 4.4.3 实验结果及分析 | 第63-69页 |
| 第5章 总结和展望 | 第69-71页 |
| 5.1 总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 参加科研情况说明 | 第75-76页 |
| 致谢 | 第76页 |
