基于支持向量机的车牌识别系统的研究
| 摘要 | 第1-13页 |
| 第一章 绪论 | 第13-22页 |
| ·车牌识别系统 | 第13-14页 |
| ·车牌识别技术的概述 | 第13页 |
| ·车牌识别系统的结构组成 | 第13-14页 |
| ·车牌识别的特点及难点 | 第14-15页 |
| ·车牌区域定位的特点和难点 | 第14页 |
| ·车牌字符识别的特点和难点 | 第14-15页 |
| ·车牌识别技术的发展与现状 | 第15-18页 |
| ·车牌分割的研究现状 | 第15-16页 |
| ·车牌字符识别研究的发展与现状 | 第16-18页 |
| ·支持向量机的模式识别方法 | 第18-20页 |
| ·模式识别的理论简介 | 第18-19页 |
| ·支持向量机的发展 | 第19-20页 |
| ·支持向量机应用研究的现状 | 第20页 |
| ·研究的目的和意义 | 第20页 |
| ·本文研究的主要内容 | 第20-22页 |
| 第二章 支持向量机理论 | 第22-33页 |
| ·机器学习的基本问题 | 第22-23页 |
| ·经验风险 | 第22-23页 |
| ·复杂性与推广能力 | 第23页 |
| ·统计学习理论的核心内容 | 第23-26页 |
| ·VC维 | 第24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机原理 | 第26-30页 |
| ·线性可分 | 第26-28页 |
| ·线性不可分 | 第28页 |
| ·支持向量机 | 第28-30页 |
| ·核函数 | 第30页 |
| ·支持向量机训练算法 | 第30-33页 |
| ·训练算法简介 | 第30-31页 |
| ·序贯最小优化算法 | 第31-33页 |
| 第三章 基于支持向量机的车牌区域定位方法 | 第33-42页 |
| ·图像分割技术 | 第33-36页 |
| ·图像分割定义 | 第33-34页 |
| ·基于边界的分割技术 | 第34页 |
| ·基于区域的分割技术 | 第34页 |
| ·结合新的理论工具的分割技术 | 第34-36页 |
| ·基于支持向量机的车牌定位 | 第36-41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分类器结构 | 第38-39页 |
| ·分割车牌区域 | 第39-41页 |
| ·实验结果及结论 | 第41-42页 |
| 第四章 二值化方法比较 | 第42-48页 |
| ·二值化方法 | 第42-43页 |
| ·阈值的选取 | 第42-43页 |
| ·已有的二值化方法 | 第43页 |
| ·两种二值化方法 | 第43-45页 |
| ·迭代法 | 第43-44页 |
| ·最小交叉熵法 | 第44-45页 |
| ·实验结果分析 | 第45-48页 |
| 第五章 基于支持向量机的字符识别 | 第48-58页 |
| ·车牌字符的分割方法 | 第48-50页 |
| ·车牌的有关知识 | 第48页 |
| ·车牌字符分割算法 | 第48-50页 |
| ·车牌字符特征 | 第50-52页 |
| ·字符的归一化 | 第50-51页 |
| ·车牌字符特征提取 | 第51-52页 |
| ·基于支持向量机的字符识别 | 第52-54页 |
| ·基于支持向量机的多类分类器 | 第52-53页 |
| ·车牌字符识别流程 | 第53-54页 |
| ·实验结果和分析 | 第54-58页 |
| ·用于对比实验的其他方法 | 第54-55页 |
| ·实验结果及分析 | 第55-58页 |
| 第六章 车牌识别系统的软件实现 | 第58-69页 |
| ·车牌识别系统的结构 | 第58-59页 |
| ·车牌识别软件的流程 | 第59页 |
| ·车牌识别软件模块的介绍 | 第59-61页 |
| ·程序中定义的类 | 第59-60页 |
| ·程序定义的结构 | 第60-61页 |
| ·车牌图像处理类之间的关系 | 第61页 |
| ·车牌识别系统软件的功能介绍 | 第61-67页 |
| ·程序主界面 | 第62页 |
| ·菜单项功能 | 第62-67页 |
| ·实验实例 | 第67-69页 |
| 第七章 结论及建议 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录 | 第77-88页 |
